【吉林大学 & 中国科学院长春光机所】综述：数据驱动的波前探测与控制研究进展
引言
光学系统在大气湍流和器件误差的作用下，不可避免地产生波前像差，严重影响成像质量。为了实现高分辨率观测与精密测量，波前探测与校正技术成为核心支撑。传统方法依赖物理模型与解析算法，但在复杂环境中表现有限。近年来，随着机器学习、深度学习等数据驱动方法快速发展，研究者逐渐将其引入自适应光学（Adaptive Optics, AO），以期突破传统限制，实现更高效、智能的波前重建与像差控制。
吉林大学、长春光机所单位的学者在*《Aerospace》*期刊发表综述，总结了数据驱动方法在波前探测与控制领域的研究现状与应用前景。文章围绕高分辨率成像、系统像差控制、典型波前传感器的新进展展开，展现了跨学科融合的趋势。
数据驱动方法与传统方法的对比
- 规则驱动（Rule-driven）方法
优点：可解释性强、适合规则明确的问题域。
缺点：难以应对非线性场景，缺乏灵活性。 - 数据驱动（Data-driven）方法
优点：能够自动学习高维、非线性特征，适应复杂环境，具备连续学习与在线优化的能力。
缺点：依赖大规模数据与算力，可解释性不足。
研究认为，未来的光学成像与波前控制将依赖两者结合，在效率、准确性和鲁棒性之间取得平衡。
高分辨率成像中的数据驱动方法
1. Shack–Hartmann波前传感器（SHWFS）
SHWFS因结构简单、检测速度快，被广泛应用于天文学、高能激光、眼科成像等领域。传统方法通过微透镜阵列光斑位移计算波前斜率，再反演整体波前。
- 深度学习突破
：卷积神经网络（CNN）、循环神经网络（RNN）、U-Net等架构可直接从光斑图像预测Zernike系数或相位分布。 - 性能表现
：与传统最小二乘法相比，误差可降低50%；在GPU/FPGA加速下，延迟缩短至5 ms，实现准实时校正。
图1 基于CNN的AO系统示意
2. 金字塔波前传感器（PWFS）
PWFS具有灵敏度高、抗噪声性能优的优势，特别适合极大口径望远镜。
- 非线性重建挑战
：PWFS本质为非线性器件，传统线性算法在大畸变下性能下降。 - 数据驱动方案
：研究团队将CNN与矩阵向量乘法（MVM）结合，提出CNN+MVM方法，显著扩展动态范围。最新的深度网络实现了>80%的Strehl比，动态范围达到600 nm RMS，远超经典重建器。
图2 CNN+MVM方法的非线性波前重建
3. 焦平面波前传感器（FPWFS）
FPWFS直接在科学焦平面进行探测，能够克服非共路像差（NCPA）。
- 深度学习应用
：通过光子灯笼、卷积网络及EfficientNet等架构，研究者实现了焦平面图像的波前重建。 - 典型成果
：利用涡旋位相板+CNN，可在保持100%科学成像时间的同时，准确推断像差。虽然存在硬件功耗与实时性挑战，但其在高对比度成像中展现潜力。
4. 全息波前传感
数字全息技术记录光波幅值与相位，结合深度学习后在三维成像和高分辨率定量相位恢复中表现突出。
- GAN驱动全息
：HoloGAN实现比迭代法快10倍的三维全息生成。 - 物理嵌入网络
：Holonet将菲涅耳衍射方程嵌入网络，误差降低30%，PSNR提升约5 dB。 - 新趋势
：Transformer与CNN结合，提高全息预测的全局依赖建模能力。
5. 曲率传感器
传统曲率传感器依赖傅里叶传播模型，抗噪性有限。
- ML方法改进
：卷积神经网络（CNN）、RaCK-DNN等模型被引入，提升曲率重建精度至RMSE=0.042 m⁻¹，在滑坡监测等应用中展现潜力。
系统像差控制的智能化探索
1. 分段镜望远镜的活塞误差检测
在TMT、E-ELT等超大口径分段镜望远镜中，子镜共相误差（piston error）是关键挑战。
- CNN方案
：基于焦平面点源图像训练神经网络，可在±0.0087λ范围内实现高精度探测。 - 多波段图像输入
：结合不同波长下的焦内外图像，进一步扩展探测范围。
图3 CNN活塞误差检测框架
2. 强化学习与时空预测
- 强化学习控制
：多智能体强化学习（MARL）结合自编码器，实现2 ms级的实时控制。 - STP-Net网络
：引入时空相关性预测，校正残差降低22.3%，显著改善成像质量。
应用与前景
综述强调，数据驱动波前探测与控制在以下领域展现重要价值：
- 天文观测
：为系外行星直接成像、时间域巡天提供支撑。 - 光通信
：提升自由空间链路稳定性。 - 医学成像
：在视网膜成像和组织切片检测中实现高分辨率。 - 工业检测
：用于精密制造中的表面缺陷监测。
未来趋势包括：
- 深度学习与物理模型融合
—— 提高可解释性与泛化能力； - 算法-硬件协同优化
—— 利用GPU/FPGA实现实时控制； - 跨模态数据融合
—— 将光学、机械、环境多源数据联合建模。
学术意义与研究价值
本综述系统梳理了从Shack–Hartmann到PWFS、从全息到曲率传感器的最新研究进展，突出展示了数据驱动方法在复杂非线性问题中的优势。其价值不仅在于总结现状，更在于为30米级超大望远镜和下一代高分辨率成像系统提供技术指引。
作者指出，未来波前控制技术的发展方向是“智能化、自适应、跨学科”，通过机器学习与光学的深度融合，实现更高水平的成像精度和鲁棒性。
参考文献
Zhang, Ye, Qichang An, Min Yang, Lin Ma, and Liang Wang. "A Review of Wavefront Sensing and Control Based on Data-Driven Methods." Aerospace, 12, no. 5 (2025): 399.
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，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。
