图1. 自动锁模技术的概念图。
一、非线性光学在锁模技术的应用
影响SA性能的关键参数包括响应时间、调制深度和饱和功率。快速SA可以实现更短的脉冲宽度，而大的调制深度可以稳定锁模。然而，过大的泵浦功率会导致反向饱和吸收（RSA），从而破坏高强度脉冲的传输，使脉冲宽度变宽，影响输出脉冲的稳定性。RSA机制涉及到激发态吸收和双光子吸收，不仅使脉冲宽度变宽，还可能中断锁模状态，限制高功率激光器的脉冲性能，需要创新的设计来减轻这些影响。
如图3（a）所示，自动锁模技术（AML）集成了实时计算模块、数据采集设备和电子偏振控制器以实现模式锁定过程的自动化。通过采用遗传算法（GA）、深度学习和进化算法等智能算法，动态调整极化状态、泵浦功率等参数，实现并保持稳定的锁模状态，其中闭环反馈机制确保了对脉冲动力学的精确控制，显著减少了锁模启动和恢复所需的时间。通过分析各种锁模状态的时域特征，利用模数转换器（ADC），现场可编程门阵列（FPGA）和数模转换器（DAC）即可搭建实时的反馈系统，进一步提升激光器在开机锁模和失锁恢复的时间性能。其中，ADC负责采集激光器输出波形，DAC负责输出直流信号调节EPC，相当于人为调节锁模过程中的手动调节偏振态，FPGA在锁模过程中的作用主要是对采集到的激光器输出波形进行特征提取和优化分析，通过运行智能算法（如遗传算法或深度学习）判断锁模状态，并动态调整腔内的偏振控制参数。
图3. (a) AML系统实验设置。(b) HLA结构图。(c-e) 从左到右，包括FML、二阶HML、三阶HML、QS和QML，每列描绘示波器走线（上）、光谱（中）和频谱（下）。图源：Optical Society of America。(f) 建议的改进遗传算法示意图。(g) 将改进的遗传算法和自动应答系统的耗时性能进行比较，虚线上的方块表示测量到的初始锁定时间，实线表示平均耗时。
早期的AML技术主要是使用遍历算法，通过逐一搜索所有可能的参数组合，尽地扫描所有可能的偏振状态，以确定最佳的锁模条件找到最佳解决方案。这种方法简单直观，适用于参数较少的系统，但随着参数数量的增加，计算时间呈指数增长，计算效率低下限制了其实时应用的能力。通过模拟自然选择过程遗传变异过程，选用优化算法同时优化多个系统参数，在高维参数空间中获得鲁棒解以实现锁模状态。例如，如图3所示，基于改进GA的系统已经在基于NPE的激光器中展示了稳定的谐波锁模和改进的脉冲能量。相比遍历算法，遗传算法的全局搜索能力更强，可用于调整偏振控制器、电光调制器等组件的参数，优化脉冲能量和稳定性，有效避免局部最优问题。除此之外，上海交通大学义理林教授团队将拟人算法（图3（b））结合纯时域的多状态锁模判决标准应用于锁模系统，该系统开机最快自动锁模时间仅需0.22 s，失锁恢复则仅需14.8 ms，大幅刷新了先前记录。该系统还通过提取不同状态的特征来建立不同的鉴别标准可以自动锁定到如谐波锁模、调Q及调Q锁模等多种状态（见图3（c-e））且可根据需求在多种状态之间来回切换。
近年来，机器学习在AML技术中的应用日益广泛，递归神经网络、强化学习和深度Q-学习等先进技术通过构建神经网络，分析和预测脉冲输出状态，实现快速状态识别、谱优化和自适应控制，大幅提升了AML技术的性能。例如，结合深度强化学习（DRL）技术的控制系统，通过与环境的交互学习优化策略，以实现毫秒级的响应时间和精确的光谱调谐，在不同温度和振动条件下实现稳定的锁模输出，为具有高稳定性和高性能的智能超快激光器铺平了道路。
讨论展望
论文信息
Wu, Q., Peng, L., Huang, Z. et al. Advancements in ultrafast photonics: confluence of nonlinear optics and intelligent strategies. Light Sci Appl 14, 97 (2025).
https://doi.org/10.1038/s41377-024-01732-7
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
