上海交通大学义理林团队：人工智能赋能超快激光相干合成技术 | 专题封面

《激光与光电子学进展》于2026年第11期推出“人工智能赋能超快光学”专题。上海交通大学义理林教授课题组团队发表特邀文章“人工智能赋能超快激光相干合成技术”，梳理了超快激光在空域、时域和频域以及混合维度相干合成的基本原理与关键技术，深入探讨了各类合成方案的核心技术挑战与研究现状，重点综述了人工智能(AI)技术在该领域的应用进展。

封面解读

封面以“人工智能赋能超快激光相干合成”为主题，展示了多路超快脉冲激光由“分散输出”走向“同相合一”的过程。画面左侧的多路脉冲激光发射器代表超快激光阵列，各路光束携带相位、时间和偏振等信息，经中部蜂窝状合成单元协同调控后，最终会聚为右侧高亮度、高质量的合成光束。底部三组信息面板分别对应波前相位调制、脉冲时序调控和阵列合成状态，体现了实时测量、反馈控制与算法优化在相干合成中的重要作用。画面上方的AI大脑象征人工智能在相位锁定、光程匹配、脉冲同步和多维参数优化中的智能感知与自适应控制能力。整体寓意在“物理模型—经典控制—人工智能”融合框架下，超快激光相干合成有望突破单路激光功率与能量提升瓶颈，推动高性能超快激光系统向更大规模发展。

全文链接：谭畅, 蒲国庆, 吴勇, 义理林. 人工智能赋能超快激光相干合成技术（特邀）[J]. 激光与光电子学进展, 2026, 63(11): 1132002. 

超快激光兼具超高峰值功率与超短脉冲宽度，为粒子加速、强场物理和超快动力学等前沿研究提供了关键实验手段。更大能量、更窄脉宽、更高脉冲质量与更高重频是超快激光技术发展的永恒追求。然而，单路超快激光受非线性效应、热损伤和器件光学损伤等因素的限制，性能提升受到明显制约。相干合成通过对多路激光的相位、时间、空间和频谱关系进行精密控制，在合束端实现稳定相长干涉，为突破单通道极限提供了系统级扩展路径。

空域相干合成通过多束超快激光在空间上共相位叠加实现功率扩展；其控制核心包括相位识别、功率均衡、偏振稳定和光程匹配。对于超快系统，空间相位误差还会与时间同步和色散匹配耦合，因此空域合成不再是单一锁相问题，而是复杂光场状态的快速感知与协同补偿问题。

现有的AI研究首先集中在相位识别。2019年，Hou等提出基于深度学习的平铺孔径相干合成相位控制方法，验证了神经网络快速估计相位的可行性。2023年，Li等利用远场干涉强度分布进行深度学习相位识别，并通过仿真和实验验证了其有效性。2022年，Mills等提出单步相位优化方法，利用一次神经网络前向推理直接给出相位补偿量；2024年，Xie等进一步发展单步相位识别与锁相方法，以降低传统闭环多次迭代带来的延迟。2025年，Chernikov等将功率波动纳入同一感知框架，通过深度神经网络从焦前强度分布中同时反演子光束相对相位与归一化功率，为相位补偿和阵列能量均衡提供联合状态输入。2026年，Hulard等证明，仅由仿真数据训练的轻量级神经网络可迁移至实际相干合成系统，显示出较好的工程泛化潜力。

在大规模阵列控制方面，AI研究已由“相位估计”扩展至“稳定运行”。2021年，Wang等实现基于机器学习的81路相干合成系统稳定化实验，验证了机器学习在复杂扰动环境下维持合成效率的能力。强化学习也被用于相干合成相位控制：2019年，Tünnermann等证明强化学习可在无需显式梯度信息的条件下通过环境交互学习控制策略；2024年，Jiang等进一步验证了强化学习在复杂环境扰动下的相位控制能力。此外，2022年，Li等提出物理增强神经网络用于相位检索；2024年，Mikos-Nuszkiewicz等从贝叶斯推断角度分析相干合成相位校正问题，为提升AI控制的泛化性和可信度提供了新思路。

图1 基于强度观测的相干合成阵列“相位–功率”联合识别深度学习框架

时域相干合成通过脉冲分割、放大、重构或堆叠提升单脉冲能量，代表性路线包括脉冲分割放大（DPA）和脉冲堆叠。其关键控制量包括子脉冲延迟、幅度分布、非线性相位失配和堆叠腔状态。随着分割脉冲数和堆叠级数增加，系统逐渐呈现高维、非凸和强时变特征，传统逐参数扫描难以满足快速优化和长期稳定运行需求。

在DPA场景中，主动DPA为AI预补偿提供了可编程接口。2014年，Kienel等研究主动控制DPA的能量扩展，实现1.25mJ量级输出；2019年，Stark等利用电光控制DPA推动单脉冲能量达到23mJ量级。此类系统引入了多通道延迟锁定、幅度预整形和相位稳定之间的复杂耦合，适合采用AI进行预补偿参数预测、状态估计和高维联合优化；尤其在电光可控DPA架构中，子脉冲幅度和相位具备可编程调节接口，为“AI预测预补偿参数—闭环校正残余误差”的混合控制模式提供了硬件基础。

在脉冲堆叠和光程匹配方面，强化学习已成为重要研究方向。2020年，Abuduweili等将强化学习引入超快激光相干合成系统，将多级延迟线校准表述为“状态—动作—回报”的闭环优化问题，通过智能体调节延迟线时延实现最优光程匹配的快速捕获。2021年，Abuduweili等进一步比较Soft Actor-Critic等算法与改进随机梯度策略，验证了学习型控制在多级延迟线光程匹配中的优势。2021年，Du等将机器学习优化算法用于相干脉冲堆叠放大系统参数寻优，为复杂堆叠腔的智能控制提供了参考。2022年和2023年，Abulikemu等构建光学控制环境与强化学习基准，为后续DPA和堆叠系统中的学习型控制提供可复现评测工具。

图2 强化学习控制多级延迟线实现脉冲堆叠的交互框架

频域相干合成通过对不同谱段独立放大，并在输出端完成相位、群时延和高阶色散一致化，来获得更宽光谱和更短脉宽；其核心挑战在于跨谱段谱相位连续性和压缩后脉冲质量。随着谱段数、带宽和可调自由度增加，频域合成越来越依赖快速代理建模和多自由度联合优化。

现有的AI研究主要包括结构参数快速评估、通道动态增益与非线性演化建模、输出端谱相位/色散补偿与压缩优化。2024年，Chen等利用深度学习对超快光纤放大器动态增益和非线性进行数据驱动建模，为系统级优化和在线评估提供快速代理模型。针对光纤非线性脉冲演化的复杂性，2020年，Boscolo和Finot将人工神经网络用于光纤非线性脉冲整形；2021年，Boscolo等进一步利用神经网络建模光纤中的自相似抛物线脉冲演化。输出端压缩控制方面，2018年，Farfan等提出神经网络算法用于飞秒脉冲压缩，加速多自由度谱相位和色散补偿寻优。上述研究表明，AI可表征“光路状态—谱相位—输出脉冲质量”之间的复杂映射，使频域相干合成由离线设计和静态补偿逐步走向在线感知、快速决策和智能补偿。

需要指出的是，频域相干合成中低强度谱段相位不稳定、谱段边缘信噪比较低，单纯数据驱动方法仍易受测量噪声和强非线性影响。因此，更可行的路线是将物理约束、实验数据和闭环控制统一纳入同一AI框架。

图3 神经网络驱动的飞秒脉冲压缩闭环优化框架

未来高性能超快激光系统将不再依赖单一维度扩展。空域合成可分担热负载和非线性积累，时域合成可降低放大阶段峰值功率，频域合成可扩展带宽并优化脉冲宽度。三者融合后，控制对象将扩展为空间相位、时间同步、谱相位、偏振态、增益分布和非线性演化的多维耦合系统。

直接面向超快激光混合维度相干合成的AI实验报道仍相对有限，但相关多自由度光场控制研究已显示出方法学潜力。2020年，Wei等利用遗传算法波前整形实现多维光纤激光器智能调控。2025年，Li等提出基于深度学习的空—频联合控制方法，仅利用输出端强度探测，即可在多模光纤中实现宽带光场空—谱反演与调控，并在超过50nm带宽范围内获得约0.9的Pearson相关系数，同时支持并行多谱段聚焦。2025年，Liu等提出物理嵌入式深度学习框架，实现按需时—频特征控制，并给出无需外置压缩器的少周期脉冲塑形结果。2025年，Lin等基于电控偏振控制器和记忆扩散遗传算法，实现全光纤空—时锁模系统的智能稳定控制。

总体而言，AI赋能超快激光相干合成的核心并非替代传统物理模型和闭环控制，而是推动系统由“分立式调节”转向“全局协同优化”。未来更可行的技术路线，是以物理模型、实验测量和经典闭环控制为基础，引入AI完成快速初始化、状态估计、参数自适应和多目标联合优化，最终构建高性能、可扩展、强鲁棒性的智能超快激光相干合成系统。

图4 物理嵌入式深度学习实现时–频光场状态工程的框架

义理林，上海交通大学集成电路学院/信息与电子工程学院特聘教授，光子传输与通信全国重点实验室副主任。主要从事智能光纤通信系统和智能光纤激光系统方面的研究。

蒲国庆，上海交通大学集成电路学院/信息与电子工程学院副教授，博士生导师。主要从事智能激光调控等方面的研究。

课题组主页：https://olife.sjtu.edu.cn/ 

推荐阅读：

从“经验驱动”到“数据驱动”：人工智能如何重塑超快激光新世界 | 专题封面