导读

近年来，对光进行更深入的“结构”调控成为了一个新兴的研究方向，即通过控制光的多个自由度赋予其更复杂的结构。例如，将偏振与空间模式结合可产生矢量光，从而在显微成像中实现更紧密的聚焦，或是在激光材料加工中获得更洁净的加工效果。若进一步精心设计光场模式，还可构造出具有拓扑特性的光，使其对噪声系统具备天然的稳定性。在光通信中，多种形式的结构光为编码提供了巨大的潜力，远超传统方法的限制。然而，要充分发掘这一潜力颇具挑战，需在设计、生成、传输和探测等环节引入“智能”方法。在这方面，基于人工智能（AI）的技术展现出巨大价值，使得结构光得以在从经典到量子、从显微到计算等众多领域广泛应用。

在eLight（影响因子32.1，入选两期卓越计划）一篇题为“Structured light meets machine intelligence”的论文中，由北京理工大学光电学院张子龙副教授、南非威特沃特斯兰德大学Andrew Forbes教授、新加坡南洋理工大学Yijie Shen助理教授等带领的科研团队，揭示了结构光场与人工智能交叉领域中所蕴藏的令人振奋的前景。研究表明，尽管结构光场的潜力巨大，但其复杂的结构也带来了设计和识别上的挑战。人工智能技术的引入为这一领域提供了创新性的方法和工具，不仅可用于结构光场的设计、表征与优化，还能赋予新的功能、突破传统范式。

模式识别与低噪通信

机器学习已广泛应用于图像目标识别领域，结构光场由于具有显著的强度分布特征，因此机器学习技术在结构光场识别中可快速精准地的对激光模式进行识别与分类。尤其当结构光场在复杂介质中经历湍流、散射等干扰后，机器学习技术能够以更强大的能力识别与恢复光场信息。当将该方法应用于光通信中，能够实现编码模式的高效降噪通信，甚至可使噪声信道表现得如同无噪。

图1：机器学习实现结构光场的精准识别与恢复

图2. 基于机器学习的结构光场通信技术

量子态处理

在量子领域，机器学习能够加速未知光场态的处理，包括量子态识别分析，甚至为新型复杂光量子态的设计开发出新方案。此外，当量子态通过复杂介质时，其演化过程可能呈现非平凡特性。量子光的概率性本质进一步增加了系统复杂性，例如：从随机噪声中分离随机化信号、在不进行测量的情况下检测并修正错误，以及在不干扰量子态的前提下预测其演化过程。这些挑战推动了量子信息处理中新型调控技术的发展，如量子机器学习辅助的态重构算法和基于弱测量的非破坏性监测技术。

结构光计量与超分辨成像

机器学习与结构光场的融合在计量学领域展现出显著潜力，包括实现皮米级精度、突破衍射极限，以及提升表面与三维体积测量性能。这种技术结合通过智能算法优化光场调控，为纳米制造、生物医学成像等精密测量场景提供了创新性解决方案。它还可兼顾光场和被测样本的复杂度，提升成像与显微镜的分辨率，实现超分辨成像。

图3：机器学习助力的结构光场计量技术

图4：机器学习助力的STED超分辨显微

结构光与光神经网络

高速信息处理需求的增长以及结构光场生成与检测先进方法的出现，推动了更高效计算技术的研究。在全光系统中部署机器学习和人工智能已成为一种颇具前景的方案，其优势包括更低功耗、更低延迟和更强的可扩展性。

图5：光学衍射神经网络用于结构光场测量

此外，复杂介质中的结构光本身可被视作光速神经网络。通过有意混合多种光模式，实现一个模式映射至多个模式，从而可利用其畸变进行计算，打造出能以光速进行处理与推理的智能学习“机器”。

图6：AI可解析光在复杂介质中散射后混合的模式，而该混合过程本身又可被用作光速神经网络，从而赋能新型光学AI计算

作者评论

论文第一作者张子龙教授指出：“我们相信这一领域前景广阔，目前仅处于起步阶段。本项研究不仅回顾已取得的进展，更展望未来，指向一个激动人心的研究方向。”

申艺杰教授对此表示赞同：“目前人工智能大多运行在电子机器上，用于处理光信号，但两者速度严重不匹配。未来，面向光速AI的光神经网络快速发展，将释放结构光在光通信等领域的全新潜力，实现以光速进行信息识别与处理。”

作者们还强调，量子结构光与人工智能的结合是一个完全开放的研究方向，尚存大量待探索的问题。例如，高维量子态的解析可能需要数百小时——AI是否能够加速这一过程？在作者看来，答案令人期待。

Andrew Forbes教授总结道：“自托马斯·杨通过干涉产生条纹实现对光的早期结构控制以来，我们已走过很长的路。如今，人工智能日渐成熟，并深度融入日常生活。未来的方向在于现代光子学与人工智能的融合，彼此促进、共同发展。利用结构光的内在复杂性，正是实现这一目标的自然途径。我们期待这两者的结合将引领我们走向何方。

总结与展望

赋予光“结构”必然会增强其复杂性，使其多种特性以奇异的方式混合。与此同时，基于深度神经网络的机器智能也借助复杂性进行学习，模仿大脑中神经元的复杂连接。如今，研究人员在这两者的交叉领域展示了令人振奋的成果：既能利用智能机器解析光中的复杂性，又能借助光的复杂性构建超快速的光学学习机器。这种共生关系有望推动光子学领域迈向新的革命。（来源：中国光学微信公众号）

相关论文信息：https://doi.org/10.1186/s43593-025-00102-z