基于深度学习的光学涡旋线鲁棒性增强

光学涡旋结构在湍流环境中的稳定性对于其在光通信、量子信息和结构光技术中的应用至关重要。虽然拓扑不变量（如交叉和链接数）在根本上是不变的，但最近的研究表明，这些观察值的在湍流条件下会显著恶化，由于环境效应。本研究提出一种基于三维奇点线形状几何稳定性的替代方法，表明基于形状的奇点线追踪在湍流中优于拓扑和谱方法。为测试这一概念，我们提出了花束光束（Flower Beams），这是一类具有可控瓣状奇点形态的结构光场。我们构建了一个81元的光学字母表并对这些结构进行湍流分类。我们的发现表明，基于形状的追踪在较弱湍流条件下实现了90%以上的分类准确率，即使在更强的湍流中也保持高度有竞争力，显著优于谱和拓扑方法。实验结果确认，预测的形状稳定性在实际条件下成立。这项研究确立了奇点线形状作为结构光跟踪和传输的可扩展且鲁棒的替代方法，为湍流鲁棒应用开辟了新方向。