研究背景
自1992年Allen等人提出轨道角动量光束的概念以来，具有轨道角动量的涡旋光束就成为了研究热点。不同模态的轨道角动量光束之间相互正交，为光通信技术提供了除波长/频率、时间、空间及偏振态以外的新复用方法。将轨道角动量光束作为载波携带信息并结合其他复用方式，能够大幅提升系统的信道容量和频谱效率。除了将轨道角动量光束用作载波外，还可以利用其独特的光强分布特征进行编码，从而实现信息传输。因此，如何检测和识别轨道角动量态就引起了研究者的广泛关注。
随着计算机与人工智能技术的不断发展，出现了基于机器学习的轨道角动量光束检测方法。与传统识别方法相比，基于机器学习的轨道角动量光束识别方法具有识别精度高、系统结构简单等优势。而深度学习技术的出现进一步提高了对轨道角动量光束的识别能力。2017年，Doster等人首次利用卷积神经网络对轨道角动量光束进行了识别，在强湍流环境下得到了99%以上的高识别率，证明了该方法具有广阔的应用前景。
提高基于深度学习的轨道角动量光束识别模型识别率的方法，可以采用更复杂的网络，也可以使用像素数更高的图片。为了映射更多位的数据，就需要识别模型能够区分更多种光束类型，而这些需求大大加重了对计算机硬件条件的要求，并导致建立模型更加耗时费力。
研究亮点
为了加快模型的训练速度，减轻系统负担，长春理工大学空间光电技术国家地方联合工程研究中心的王天枢教授研究团队提出了利用深度学习中的迁移学习方法识别轨道角动量光束。
迁移学习指的是在相似但不同的领域或任务中进行的知识迁移，即利用已有的知识来学习新的知识。在传统深度学习方法中，神经网络需要对每一个任务提取特征，当数据的分布发生变化时，通常需要重头训练。当训练集数据量庞大或神经网络结构较复杂时，其时间复杂度与空间复杂度大大增加，往往依赖算力更强的图形处理器。而迁移学习则利用源域与目标域之间的相似性，对已学习到的知识进行复用以降低训练模型的成本。
文章基于VGG16架构构建了迁移学习识别模型，采用16种不同叠加态的轨道角动量光束映射4位数据。为了探究基于迁移学习的识别模型在大气湍流环境中的识别能力，利用次谐波法生成大气湍流相位屏，以空间光调制器加载相位屏的方式，模拟叠加态轨道角动量光束在弱湍流和中湍流环境下的传输。在弱湍流和中湍流条件下，迁移学习模型分别获得了98.62%、94.37%的较高识别率，采用文中编码规则分别对应0.00666和0.0232的系统误码率，证明了采用迁移学习的轨道角动量识别系统的可行性。同时，与传统深度学习识别轨道角动量光束方法对比，传统深度学习识别轨道角动量光束方法在弱湍流和中湍流环境下的识别率分别为99.39%和94.81%。迁移学习模型的训练速度是传统识别模型的2.3倍，证明了迁移学习系统可在维持较高识别率的条件下，大幅减少模型训练所需时间。这为未来快速构建轨道角动量识别系统提供了一个思路。
图1 迁移学习模型在弱湍流环境下的混淆矩阵
图2 +10阶（上）、+20阶（下）OAM光束相位调制图和灰度图
图3 LG光束与数据间映射关系
该工作以“深度迁移学习方法识别轨道角动量光束”为题作为封面文章发表在《光电工程》2022年第6期，得到了国家自然科学基金青年基金（No. 62105042，基于空间MIMO收发的超高速激光传输机理与特性研究）的支持。
