封面展示了基于深度学习的自参考光谱干涉法的测量过程。待测脉冲经过自参考光谱干涉仪后得到干涉光谱。激光的信息进一步传递，经过Dense-1D-U-Net神经网络“解码”后可得到待测飞秒激光脉冲的精准相位信息。
飞秒激光脉冲作为一种强有力的研究工具，经过三十多年来的发展，已经广泛应用于科研、医疗、工业、通信、国防等多个重要领域。飞秒激光脉冲本身时域形状的测量是其发展和应用的必要前提，同时也是激光技术发展的重要部分。时域形状测量的核心是光谱相位的精确测量。
自参考光谱干涉方法通过待测光与其自身产生的参考光进行光谱干涉，测量激光脉冲相位，具有直接、快速、灵敏等优点。然而，基于傅里叶变换光谱干涉算法，自参考光谱干涉方法在应用中会受限于光谱采样精度和使用的近似计算，导致相位重建精度相对较低。
近年来，随着计算机运算能力的快速提升，深度学习在计算机视觉领域的目 标检测和三维测量等方面获得了巨大成功。对于相同质量水平的数据，通过优化神经网络的结构来提高它在各个课题中的适用程度和性能，是计算机科学家不懈追求的目标。
中国科学院上海光学精密机械研究所刘军研究员团队提出了一种结合深度学习的自参考光谱干涉（SRSI）方法，并用该方法进行了飞秒脉冲相位的精准重建。
该方法基于针对一维频域信号的Dense-1D-U-Net神经网络。Dense-1D-U-Net以编码-解码结构的一维卷积神经网络为基础，选择性地加入了稠密连接(Dense Block)和U-Net的标志性的跳跃连接(skip connection)来提高网络的拟合能力和泛化性。
结合SRSI方法的特点，团队设计出的Dense-1D-U-Net神经网络如图1所示。
在有监督学习的深度学习任务中，需要一定量由神经网络的输入、输出数据组成的数据集来训练神经网络。实际情况中，作为待测数据的飞秒激光脉冲的相位只能通过测量获取，数据集获取困难，并且测量值的精度不够高，不符合训练数据需求。
SRSI方法利用待测光的一部分经过非线性效应产生参考光，并使参考光与待测光进行光谱干涉产生干涉条纹。一种全反射式SRSI测量仪器的光路图如图2所示。
根据SRSI方法的原理，团队基于随机相位、随机光谱和随机延迟时间，结合实验经验设计了模拟方案，对数据集进行了模拟（图3）。基于不同的待测脉冲和干涉过程的多样性模拟了三个基于不同随机方案的数据集。
在增加数据集多样性的同时，对神经网络进行了优化。通过在基于卷积的编码解码结构中加入跳跃连接引入稠密连接块等方法，克服了对相位测量的拟合能力不足和伪影等问题。基于大量接近真实光谱相位的模拟光谱相位数据可以发现，基于Dense-1D-U-Net的SRSI方法的计算结果的均方根误差相比传统SRSI算法FTSI至少降低一个数量级。
如图4所示，图中曲线SPEC为光谱干涉条纹，曲线TRUE为模拟的真实相位曲线。在不同类型的模拟数据集中，本文所提出的深度学习方法恢复的相位曲线（DL）相对传统SRSI恢复的相位曲线（SRSI）的恢复精度更高。
最后，团队使用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有重建实测飞秒激光脉冲相位的能力。
基于神经网络从干涉条纹中对飞秒激光脉冲的光谱强度、相位等不同类型信息的提取能力，本文分析了Dense-1D-U-Net作为一种复合型神经网络在泛化性等方面的优势。
下一步，团队将进一步提高数据集的样本多样性，结合迁移学习等方法来增加此方法在飞秒激光脉冲相位测量中的性能。
作为一种复合型神经网络，Dense-1D-U-Net神经网络的泛化性较强，可以拓展应用到超快光谱等其他一维信息研究领域。
中国科学院上海光学精密机械研究所刘军研究员团队目前的主要研究方向是超快超强激光技术及应用，包括：1）飞秒激光脉冲对比度提高、单发测量与脉冲时空测量技术研究与仪器研制，2）新颖飞秒激光技术、装置及其在超快光谱等应用上的拓展研究。
近期的主要成果包括：提出TG-SRSI、四阶相关仪等脉冲形状和对比度单发测量新方法，提出 “分步压缩器”等系列压缩器新设计，构建出同心涡旋/径向偏振多色飞秒激光新颖超快光源，发现时空涡旋激光衍射新现象等。
刘军，中科院上海光机所研究员，主要从事超快超强激光技术方面的研究。2011年获日本第五届“大阪大学近藤奖”，2012年入选国家海外高层次人才计划项目。近年发表SCI论文超过70篇，获授权发明专利18项。主持基金委重大科研仪器研制、中科院装备研制、科技部重点研发等重点项目。
科学编辑 | 况琪
编辑 | 沈灵灵
