加州大学伯克利分校、劳伦斯伯克利国家实验室：让激光在大气湍流中传播得更稳定 | Photonics Research

Photonics Research 2026年第7期推荐论文：

Boyu Zhang, Changmin Kim, Wenzhe Li, Jose Chirinos, Xianglei Mao, Richard Harrison, Vassilia Zorba, "Towards robust laser beam propagation in atmospheric turbulence," Photonics Res. 14, 3245 (2026)

大气并非一种完全均匀且静止的介质，温度、气流和密度的变化会不断改变空气的折射率，从而产生大气湍流。当激光束穿过这样的环境时，可能发生漂移、变形、扩散和闪烁，原本集中的能量也随之变得不稳定。这些问题会降低自由空间光通信、激光雷达、远程探测以及远距离能量传输的可靠性。

加州大学伯克利分校、劳伦斯伯克利国家实验室的研究团队搭建了一个具有局部极强湍流的、总传播距离为100 m的实验平台，并结合数值模拟对传统高斯光束和超几何-高斯（hypergeometric-Gaussian，HyGG）涡旋光束进行了系统比较。在这项研究中，研究人员从两个互补的角度应对上述挑战：一方面，改进大气湍流的数学模型，使数值模拟能够更准确地预测激光束在真实环境中的传播行为；另一方面，寻找本身对湍流影响具有更强抵抗能力的光束，从源头提高系统的稳定性。该工作共分析了超过25万帧实验和模拟图像，测试了普通高斯光束以及拓扑荷分别为1和2的涡旋光束。与中心最亮的高斯光束不同，涡旋光束具有螺旋形波前，其能量通常呈环形分布，因此在传播过程中表现出不同的结构特征。实验结果显示，在强湍流条件下，涡旋光束能够更好地保持原有的形状和圆对称性，并且光强随时间的波动更小。随着拓扑荷增加，这种抗湍流能力会进一步增强。研究人员使用椭圆率、偏心率、闪烁指数和涡旋结构退化等指标，从多个角度评估光束的稳定性。结果表明，当涡旋光束和高斯光束达到相近的光强波动水平时，涡旋光束可以承受超过5倍的湍流强度；在部分测试条件下，这一提升最高达到6.37倍。相关研究成果以“Towards robust laser beam propagation in atmospheric turbulence”为题发表于Photonics Research 2026年第7期。

除了比较不同光束的传播性能，研究人员还进一步分析了一个容易被忽视的问题，即数值模拟的结果会在多大程度上受到湍流模型选择的影响。大气湍流通常使用折射率波动的功率谱密度模型来描述。研究团队系统比较了四种模型，包括Kolmogorov模型、Tatarskii模型、修正von Kármán模型和改进型大气PSD模型。Kolmogorov、Tatarskii和修正von Kármán模型已经广泛用于大气光学研究，例如自由空间光通信、地空光链路、涡旋光束传播、波前模拟以及轨道角动量模式识别等领域。然而，这些模型对湍流内尺度和外尺度的处理方式不同。在开放且尺度很大的环境中，这种差别可能并不明显；但在实验室装置、狭窄通道、复杂地形或存在障碍物的户外环境中，湍流外尺度往往会受到物理空间的限制，此时不同模型给出的结果可能出现明显偏差。

为了直接检验这些模型的准确性，研究人员将数值模拟得到的光束椭圆率和偏心率，与100 m传播实验中的实际测量结果进行了比较。结果发现，仅仅改变PSD模型，估算得到的湍流强度就可能相差两倍以上。与此同时，改进型大气PSD能够同时考虑有限外尺度以及内尺度附近更细致的频谱变化，从而与实验结果更加一致。如图1所示，改进型大气PSD模型的椭圆率平均预测误差为0.0098；相比之下，Kolmogorov模型的相应误差则高达0.0486。因此，综合不同拓扑荷和湍流强度下的结果，改进型大气PSD可将预测误差最多降低79.8%；这说明，湍流模型并不只是数值计算中的一个技术细节，而是会直接影响对湍流强度的判断以及对光束传播性能的预测。

图1 实验测量结果与数值模拟结果的光束圆对称性比较。(a) 不同PSD模型下，折射率结构常数与到达角方差之间的关系；(b) 改进型大气PSD、(c) mvK、(d) Tatarskii和(e) Kolmogorov模型的数值模拟结果与实验结果比较；(f) 不同PSD模型的预测误差汇总；(b)–(e)中的误差棒表示标准差

总体而言，这项研究提出了两种相互配合的方法来提高大气光学系统的稳定性：一方面使用更符合真实环境的湍流模型来预测光传播，另一方面使用高阶涡旋光束来提高实际传播性能，有望提升自由空间光通信、激光雷达、远程探测、大气成像和定向能量传输等技术的可靠性。

撰稿 | 加州大学伯克利分校 张搏宇

推荐阅读：

[1].Ke Cheng, Qinghan Zhang, Jianxin Lin, Xiaonan Hu, Hang Su, Baoli Li, Min Gu, Xinyuan Fang, "Orbital angular momentum-mediated optoelectronic neural network for turbulence diagnostics," Photonics Res. 14, B171 (2026)

[2].Wenjie Jiang, Mingjian Cheng, Lixin Guo, Xiang Yi, Jiangting Li, Junli Wang, Andrew Forbes, "Machine learning assisted speckle and OAM spectrum analysis for enhanced turbulence characterization," Photonics Res. 13, B29 (2025)