近年来，随着光通信、航天遥感、目标识别、自动驾驶等领域的快速发展，对光场的感知和探测、以及光学系统的小型化和集成化提出了更高要求。对于光场来说，它携有强度、偏振、频率、相位等多个维度的信息。其中，光谱信息和偏振信息可以揭示物质组成成分、以及物体表面形貌等信息，因此探明这两种信息是光场探测中的关键一环。然而，现有的偏振探测器和光谱探测器依旧存在两个问题：一是其探测能力依赖于在时间或空间上集成偏振或波长敏感元件；二是它们一次仅能对部分特征进行测量，无法准确探测高维度光场信息，即无法准确探测在宽光谱范围内具有任意变化的偏振信息和强度信息。为了解决以上问题，中国科学院长春光学精密机械与物理研究所的研究人员，在高维度光场探测领域开展了一项研究。研究中，他们提出一种利用光学界面的空间色散和频率色散在波矢空间调控偏振响应和光谱响应的思想。并配合深度学习方法来解码偏振信息和光谱信息，利用单个器件的单次测量，就能实现对于高维度光场信息的探测。对于该论文，审稿人认为这是领域内具有标志性意义的创新突破，填补了前人工作中的空白。而在研究中，他们先是建立计算模型，并对器件进行设计。最初，他们发现利用光学界面的空间色散和频率色散，可以在波矢空间调控偏振和波长信息。之后，课题组基于简单的单层薄膜体系，对其透射率与入射偏振态、入射光谱、入射角和方位角的关系进行了系统分析。随后，该团队又发现通过引入共振，可以增强透射强度分布对于偏振信息和光谱信息的敏感性，并逐步建立了在波矢空间中、光经过色散表面的透射传输模型。借此将强度信息、偏振信息和波长信息，全部编码到单个波矢空间的强度分布之中，并基于该模型设计了薄膜器件。随后，他们从波矢空间的强度分布中解码信息。一开始，该团队采用了许多常用的信息提取方法。但是，由于上述强度分布中编码的偏振信息和光谱信息较为复杂，同时实验上会引入额外的系统噪声，以至于使用这些方法只实现了针对简单信息的提取分析。为了从中解码出复杂的高维光场信息，他们借助深度学习的方法，并且经过了大量的实验、训练和测试，确定这一方法可以实现高维信息的提取。并逐步在理论和实验上实现了对于偏振信息、光谱信息、以及高维光场信息的高精度探测。验证探测器的信息探测能力之后，他们发现探测器在较小的入射角度下，也有一定的偏振信息和光谱信息敏感特性。于是，该团队考虑通过集成微透镜阵列实现高维度光场的成像。经过大尺寸样品的制备、微透镜阵列的制造、以及大面积图像传感器阵列的选取之后，他们构建了超紧凑的高维光场成像仪。并针对不同的高维光场场景进行了成像。至此，主要研究工作才终于完成。由于高维光场信息十分复杂，是每个维度信息乘积的关系。在单个器件、单次探测的情况下，采用传统的解码方式，很难针对高维光场信息进行解码。近年来，随着深度学习的快速发展，各个学科的研究人员都开始引入深度学习。如前所述，该团队也看到了深度学习在信息解码中的潜力。因此，在本次研究之中，他们利用 ResNet 经典神经网络模型，对高维光场信息进行了重建。而由于研究成员都是光学背景出身，所以在深度学习算法的建立过程中遇到了不少困难。研究人员表示：“在这一过程中最令人难忘的事是仿真光谱重建第一次有效果的时候。”在正式开始进行仿真光谱的重建前，他们已经在深度学习方面摸索了近一年的时间。这一年中，无论是偏振还是光谱的实验重建，他们都取得了一些初步效果。本以为理论光谱的重建会进行得非常顺利，但事与愿违，在一开始连一丁点重建成功的迹象都没有。随后他们又进行了大量尝试，每次都以失败告终。失败并不可怕，可怕的是不知道为什么失败，不知道怎样才可能成功。他们甚至开始怀疑，之前实验上取得的初步效果其实只是一个美丽的误会。就这样，在一边看着“乱码”般的重建结果看不到头，一边陷入深深的自我怀疑下，他们挣扎了整整两个月。终于，两个月后的某一天，就是大家那么不经意的一次讨论，让他们突然惊醒，并开始重新审视重建方法。果然，课题组发现了失败的可能原因，于是快速进行新一轮的尝试。“就像雾霾散去，露出蓝天一样，我们看到一条干净的曲线。我们一直坚信能够重建成功，但当真的看到它时，第一时间是不敢相信。”研究人员表示。而当目光逐渐汇聚，当两条相似而不完全一样的曲线完全进入视野时，他们才终于确认，这一次，成功了！中国科学院长春光学精密机械与物理研究所的博士生范延东、黄伟安和朱菲是共同一作。中国科学院长春光学精密机械与物理研究所的李炜研究员和靳淳淇助理研究员、以及新加坡国立大学仇成伟教授担任共同通讯作者。而由于所构建的理论模型本质上适用于任意波段，所以下一阶段课题组计划在红外等波段来实现高维探测，以便适应更多的应用场景。此外，他们计划进一步探索物理模型与深度学习模型，以降低所需要的先验数据量，提高探测器的实用性。同时，还将利用超表面、光子晶体和二维材料等代替薄膜结构，将所提出的探测器进一步小型化并提高探测分辨率。与此同时，他们也计划通过升级模型或使用更加复杂的模型，降低训练所需要的先验数据量，并实现更加优异的性能。并将继续把深度学习方法，应用在其他研究方向中。在应用上，该团队希望可以将这一研究应用于遥感领域，在提升信息信息探测维度的同时，实现探测系统的小型化。此外，他们还希望能够将其用于医疗诊断、化学分析、工业检测和自动驾驶等领域，通过对目标物实现更加精准、更加全面的分析探测，来推进相关领域的发展。参考资料：
1.Fan, Y., Huang, W., Zhu, F.et al. Dispersion-assisted high-dimensional photodetector. Nature 630, 77–83 (2024). https://doi.org/10.1038/s41586-024-07398-w
运营/排版：何晨龙
