从自适应光学迈向“智适应光学”

       自适应光学技术能够以每秒上千次的处理速度校正光学系统的动态像差，将畸变波前恢复为平面波，在天文高分辨成像、激光传输、生物医学成像等领域都具有重要应用。自适应光学系统主要包括三部分：波前传感器（“眼睛”）、波前控制器（“大脑”）和波前校正器（“双手”）。

       当前自适应光学技术研究的前沿热点包括高速相位恢复、波前预测以及端到端图像后处理等。传统相位恢复和图像后处理过程主要依赖优化算法，迭代次数多、收敛所需时间长、容易陷入局部最优，在速度和效果方面有很大缺陷。传统波前预测主要依赖对大气湍流线性模型的准确估计，当估计模型和快速变化的实际模型不匹配时，预测效果迅速退化。近年来，随着大数据、机器学习算法和计算能力的高速发展，人们已经开始使用人工智能技术赋能各行各业的转型升级。那么，当人工智能与自适应光学相遇，两者又能擦出什么样的火花呢？人工智能是否有助于解决上述热点问题，它又可以从哪些方面推进自适应光学的发展呢？

       中科院光电技术研究所饶长辉研究员团队多年来一直从事高分辨力自适应光学成像技术研究。近年来，开始关注基于机器学习的智能自适应光学技术。在智能自适应光学技术如火如荼发展之际，该团队开展了相关研究进展的调研和讨论，重点关注当前智能自适应光学技术的重点研究方向和实际应用可能面临的困难。

       该团队认为在波前探测方面，数据驱动的深度学习技术有望使相位恢复摆脱对迭代算法的依赖，将计算时间压缩到亚毫秒级别，速度较现有水平提升一个数量级以上，满足动态大气湍流波前探测的速度要求。在波前预测方面，经过训练的深度学习预测模型可以在非平稳大气湍流中实现对波前畸变的准确预测，具备很强的鲁棒性。在图像后处理方面，深度学习有望实现端到端的实时处理，提升图像后处理过程的自动化、智能化水平，使得天文学家能够及时获取高分辨力的天文图像。美中不足的是，以上研究目前主要还处于起步阶段，主要集中在理论和实验室层面，在实际复杂环境下的表现还有待实践验证。这也是自适应光学学术界未来需要重点关注的问题。

图1 (太阳观测)自适应光学系统的主要组成及工作原理

图2 基于深度学习的相位差（PD）波前复原方法，对Zernike模式的复原精度（左）、波前复原误差（中）和可达亚毫秒级的计算速度（右）

       该团队的系统调研和阶段性总结为自适应光学系统的智能化提供了发展路线建议，有助于促进自适应光学迈向具有更高智能化水平的“智适应光学”。