Part 01引言
飞秒激光因其高峰值功率、窄脉宽和宽光谱，在多个领域具有重要应用价值，如高精微纳加工[1]、生物成像[2]、光频梳光谱学[3]、激光雷达[4]等。不同应用场景对飞秒激光的特性（如脉宽、谱宽等）有不同的需求，传统的飞秒脉冲调控依赖人工经验，难以在具有复杂效应（如非线性、色散、增益等）的飞秒激光器中实现稳定的最优调控。此外，环境扰动则进一步加剧了人工调控飞秒激光的难度，这大大限制了飞秒激光的应用。
近年来，飞秒激光与智能技术的结合逐渐成为业界热点，飞秒激光智能调控技术应运而生。其中典型的技术方案为基于闭环反馈的飞秒激光智能调控。基于闭环反馈的飞秒激光智能调控主要用于现有激光器的优化，通过在线监测激光器输出状态，依靠算法不断调节激光器内相关参数，让激光器快速搜索到目标状态并持续工作在最佳状态，有效提升飞秒激光器的稳定性。
爱鸥光学作为AI智能光学的引领者，一直走在飞秒激光智能调控技术研究和实践的前列，先后攻克了检测、算法、硬件部署、测试等重重
难题，形成了一整套全流程的激光智能调控技术体系。爱鸥光学将基于闭环反馈的飞秒激光智能调控技术应用在其自主研发的双波长（1030/515nm）飞秒激光器（如图1）中，双波长飞秒激光器在输出平均功率、单脉冲能量以及脉宽方面展示出优越的稳定性——72小时内，激光器输出平均功率的归一化均方根误差（Normalized root-mean-squared error, NRMSE）低于0.2%，单脉冲能量的NRMSE低于3%，脉宽的NRMSE低于1%（实测果如图2所
Part 02基于闭环反馈的飞秒激光智能调控
基于闭环反馈的飞秒激光智能调控原理可以抽象表述为图3，首先对飞秒激光器的输出状态进行表征（如示波器、光谱仪、频谱仪、自相关仪、FROG等），根据控制目的来选择表征方式。将包含激光器输出状态的数据提取出来送入控制算法，算法首先依据控制目的从原始表征数据中提取特征（如时域脉冲计数、光谱宽度、脉宽等），计算与目标的偏差，然后由算法结合当前控制值与其对应的特征给出新的控制值（如泵浦电流、偏振控制器控制电压等），下发至激光器，更改激光器输出状态——循环往复直至飞秒激光器的输出目标状态。
根据控制目的可以进一步将基于闭环反馈的飞秒激光智能调控分为自动锁模技术（Automatic mode-locking, AML）与特殊脉冲状态智能调控，前者是为了在锁模激光器中实现自动锁模，从而输出超短光脉冲，后者则可以实现锁模激光器中的一些特殊脉冲状态的调控，如呼吸孤子、孤子分子等。
2.1 自动锁模技术
早期的AML激光器大多基于遍历算法，其效率较低且时常需要人为辅助。随着AML领域的不断发展，使用最优化算法与机器学习的AML激光器也逐渐崭露头角，搜索效率更高。2019年，爱鸥光学创始人义理林教授研究团队提出类人算法，首次实现了实时智能可编程的锁模激光器，能够自动锁定5种工作模式，最短锁模时间为0.22秒，最短恢复时间为14.8毫秒，且在15天连续运行测试中表现稳定，如图4所示[5]。2022年，该课题组提出了高重频激光器的实时自动锁模方案，采用低采样率和光纤色散预展宽的方法，实现了48 MHz重频激光器的自动锁模[6]。
图片
随着计算机技术的进步，机器学习在AML领域的应用逐渐增多。2014年，美国华盛顿大学的J. Nathan Kutz等人通过机器学习与稀疏表示对基于非线性偏振旋转的锁模光纤激光器中的双折射进行分类，并结合极值搜索控制算法与机器学习在仿真中展示了自调谐光纤激光器[7]。2018年，他们提出了结合递归神经网络（Recurrent neural network, RNN）和模型预测控制的激光器自调谐仿真模型，利用变分自编码器从隐空间表征双折射，并通过RNN优化激光器的运行状态，保持锁模状态[8]
随后，机器学习在AML激光器实验中应用也开始涌现。2021年，Qiuquan Yan等人提出了利用深度决定策略梯度(Deep deterministic policy gradient, DDPG)强化学习算法用于AML，如图5所示，实验表明，在环境振动和不同温度下，强化学习算法具有较强的鲁棒性，平均失锁恢复时间为1.948秒[9]。2023年，Jingxuan Sun等人提出了一种时域光谱信息联合的深度学习方法，通过全连接神经网络精确搜索光纤激光器中的孤子状态，并使用相位感知算法检索锁模脉冲的初始相位分布，为脉冲动力学精确控制提供了新途径，如图6所示[10]。
综上，实现AML激光器的技术路径选择众多（可以采用各种特征，选择各种不同的控制算法），但对AML激光器的核心诉求大致有三点：（1）更快地实现锁模，（2）更少失锁；（3）更快地失锁恢复。AML的技术路径选择选择与设计也需要尽可能服务于这三个核心诉求。比如，在算法选择上，复杂度更高的算法也许可以在更少的迭代步数内实现锁模，但其实时化难度更高，只能运行在电脑端，进而拖慢了其锁模速度；而复杂度更低的算法也许需要更多迭代步数实现锁模，但其可以很容易部署在实时化平台（FPGA、MCU等），最后展现出来更快的锁模速度。因此，AML其实是一个光学、算法与硬件深度融合的复合型技术。
2.2 特殊脉冲状态调控
锁模激光器自动锁定只是基础诉求，不同应用对脉冲的需求不同，催生了研究人员通过闭环反馈的方式实现锁模激光器中各种特殊状态的自动搜索。通过引入不同的控制量和监测量，设计不同的目标函数，研究人员逐渐实现了对呼吸孤子、孤子分子、双光梳、时空锁模等特殊状态的智能调控。
在飞秒脉冲光谱智能调控方面，2020年，义理林教授研究团队采用时间拉伸-色散傅里叶变换技术，通过色散介质实现光谱与时域脉冲的映射，实时获取光谱信息，基于该方法实现锁模光纤激光器的光谱宽度在10 nm至40 nm之间调谐，分辨率为∼1.47 nm，同时能精确控制时域脉冲宽度[11]。光谱形状可编程为双曲割线或三角形，实现了对锁模飞秒脉冲光谱的实时智能控制。
闭环反馈的控制方式也同样被用于呼吸孤子与孤子分子的智能调控研究。2021年，Xiuqi Wu等人使用进化算法实现了对呼吸孤子状态的自动锁定，通过优化EPC电压值并迭代优化，成功控制了振荡频率和呼吸比的呼吸孤子态，为非线性系统的复杂动力学优化提供了新途径[12]。2022年，Shilong Liu等人通过调节激光腔内的二阶色散和损耗，成功实现了孤子分子间隔的精确控制，间隔可在3.014ps至5.478ps之间连续调节，分辨率为0.112ps，提供了非线性耗散系统的可调自由度，在通信、光开关等领域具有重要应用[13]。2022年，J. Girardot等人提出了基于遗传算法（Genetic algorithm, GA）的孤子分子间隔控制方法，采用NPR被动锁模腔，使用4个液晶相位控制器和SLM，通过整体优化函数实现了3ps-8ps的孤子分子间隔自动生成，提升了超快激光器的控制能力[14]。2023年，Yusong Liu等人提出了一种基于泵浦电流调控的孤子分子相位控制方法，通过精细调控泵浦功率在NPR锁模腔中实现了四种不同相位的孤子分子状态，展示了其在光通信和光存储中的编码应用[15]。2024年，义理林教授研究团队提出了一种针对锁模激光器内孤子分子的多维实时控制方案，通过泵浦电流和四路EPC电压结合色散傅里叶技术获取光谱信息，采用GA优化算法实现孤子分子的孤子间隔2ps-58ps的大范围搜索及小范围内0.05ps的高精度搜索，如图7所示，并基于孤子分子智能调控成功在30km单模光纤中实现同步通信[16]。
图7. 孤子分子的多维实时控制[16]
此外，时空锁模激光器与单腔双光梳激光器智能调控的研究也开始涌现。2022年，Xiaoming Wei等人使用GA对多模光纤激光器进行波前整形，通过优化空间光调制器的相位分布，实现了对输出功率、模式轮廓、光谱和锁模模式等多个特征的精确控制，为高性能3D激光器和多维非线性动力学探索提供了新途径[17]。2023年，义理林教授研究团队提出了一种基于单个谐振腔的双光梳实时智能控制方案，结合NPR锁模腔和Lyot滤波效应实现双波长双光梳，并提出了记忆辅助智能搜索算法，实现快速锁定和失锁恢复，实验中平均锁定时间为2.48秒，且能稳定运行12小时，如图8所示[18]。近期，该课题组还提出了具有自我训练策略的深度强化学习用于单腔双光梳激光器控制，以实现从不断变化的环境中稳定恢复双光梳状态[19,20]。
Part 03总结
飞秒激光智能调控是一个新兴但将持续发展的一个研究领域，飞秒激光器内部动力学复杂，基于闭环反馈的飞秒激光智能调控可帮助挖掘更多特殊脉冲状态。此外，智能技术也可与飞秒激光的表征相结合，实现飞秒激光的快速智能表征（强度、相位、光斑等）。基于这些能力，使我们能够有效提升飞秒激光器在平均输出功率、单脉冲能量以及脉宽方面的稳定性表现，打破传统的激光器开环系统在长期工作时的稳定性方面先天的劣势。
不仅如此，智能调控技术与飞秒激光器的结合还是激光器这类产品的产品形态上的一次革命，它不仅赋予了激光器对于自身状态的感知能力，还使得产品自身有了对于环境的主动适应能力，这在激光器的发展史上是一个里程碑式的进步。相信随着飞秒激光智能调控技术的不断完善，结合各类垂直领域大模型的发展，可以赋予激光器产品更多的“超能力”，爱鸥光学愿意和学术界、产业界一起努力，见证这一新兴技术的不断发展！
Part 04爱鸥光学——智能稳定飞秒激光器系列
图9. 爱鸥光学智能稳定飞秒激光器系列产品
经历了十余年的前沿研究探索和技术积累，爱鸥光学已经自主开发了一系列采用飞秒激光智能调控的激光器产品——智能稳定激光器（Intelligent Stabilizing Laser，ISL）。目前该系列产品输出波长实现了从紫外到中红外波段的完整覆盖，输出功率范围从纳焦到数百微焦，散热方式水冷/风冷可选，满足各类工业加工用户的使用需求，广泛应用于硅晶圆前道加工、芯片先进封装制造、半导体量测、显示面板加工与修复、精密材料加工等高端激光应用场景。
5 、参考文献
[1]Koji Sugioka & Ya Cheng. Ultrafast lasers—reliable tools for advanced materials processing [J]. Light Sci. Appl. 2014, 3: e149.
[2]C. Xu & F. W. Wise. Recent advances in fibre lasers for nonlinear microscopy. Nat. Photonics, 2013, 7: 875–882.
[3]Nathalie Picqué & Theodor W. Hänsch. Frequency comb spectroscopy [J]. Nat. Photonics, 2019, 13: 146–157.
[4]Yunshan Jiang, Sebastian Karpf & Bahram Jalali. Time-stretch LiDAR as a spectrally scanned time-of-flight ranging camera [J]. Nat. Photonics, 2020, 14: 14–18.
[5]Pu G, Yi L, Zhang L, et al. Intelligent programmable mode-locked fiber laser with a human-like algorithm [J]. Optica, 2019, 6: 362–369.
[6]C. Luo, G. Pu, W. Hu and L. Yi, High-Repetition-Rate Real-Time Automatic Mode-Locked Fibre Laser Enabled by a Pre-Stretch Technique [J], IEEE Photonics Technology Letters, 2022, 34: 791-794.
[7]Brunton S L, Fu X, Kutz J N. Self-tuning fiber lasers [J]. IEEE J Sel Top Quantum Electron, 2014, 20: 464–471.
[8]Baumeister T, Brunton S L, Kutz J N. Deep learning and model predictive control for self-tuning mode-locked lasers [J]. J Opt Soc Am B, 2018, 35: 617–626.
[9]Yan Q, Deng Q, Zhang J,et al. Low-latency deep-reinforcement learning algorithm for ultrafast fiber lasers[J]. Photonics Research, 2021, 9: 1493.
[10]Jingxuan Sun, Zhen Liu, Yiqing Shu, Jianqing Li, and Weicheng Chen, Reproduction of mode-locked pulses by spectrotemporal domain-informed deep learning [J], Opt. Express, 2023, 31: 34100-34111.
[11]Pu G, Yi L, Zhang L, et al. Intelligent control of mode-locked femtosecond pulses by time-stretch-assisted real-time spectral analysis [J]. Light Sci Appl, 2020, 9: 13.
[12]Wu, X., Peng, J., Boscolo, S., Zhang, Y., Finot, C., Zeng, H., Intelligent Breathing Soliton Generation in Ultrafast Fiber Lasers [J]. Laser & Photonics Reviews 2022, 16: 2100191.
[13]Shilong Liu, Yudong Cui, Ebrahim Karimi, and Boris A. Malomed, On-demand harnessing of photonic soliton molecules [J], Optica, 2022, 9: 240-250.
[14]J. Girardot, A. Coillet, M. Nafa, F. Billard, E. Hertz, and Ph. Grelu, On-demand generation of soliton molecules through evolutionary algorithm optimization [J], Opt. Lett. 2022, 47: 134-137.
[15]Liu, Y., Huang, S., Li, Z. et al. Phase-tailored assembly and encoding of dissipative soliton molecules [J]. Light Sci Appl, 2023 12: 123.
[16]Luo C, Pu G, Fang Z, et al. Real‐Time Comprehensive Control over Soliton Molecules Enabled By Physics‐Inspired Searching[J]. Laser & Photonics Reviews, 2024, 18(12): 2401153
[17]Wei, X., Jing, J.C., Shen, Y. et al. Harnessing a multi-dimensional fibre laser using genetic wavefront shaping [J]. Light Sci Appl, 2020, 9: 149.
[18]G. Pu et al., Intelligent Single-Cavity Dual-Comb Source With Fast Locking [J], Journal of Lightwave Technology, 2023, 41: 593-598.
[19]Fang Z, Pu G, Luo C, et al. Reinforcement learning combined with a self-retraining strategy for dual-comb state generation in a single-cavity laser[J]. IEEE Photonics Journal, 202
[20]Fang Z, Pu G, Luo C, et al. On-demand dual-comb generation in a single-cavity via a real-time intelligent spectral seeker[J]. Optics Express, 2025, 33(15): 32827-32837.
[21]Jiang M, Wu H, An Y, et al. Fiber laser development enabled by machine learning: review and prospect[J]. PhotoniX, 2022, 3(1): 16.
[22]Xiuqi Wu, Junsong Peng, Ying Zhang, Heping Zeng. Principles and Research Advances of Intelligent Mode‐Locked Fiber Lasers[J]. Chinese Journal of Lasers, 2023, 50(11): 11010
[23]Hanshuo Wu, Min Jiang, Pu Zhou. Artificial Intelligence-Assisted Laser Science and Technology: Status, Opportunities, and Challenges[J]. Chinese Journal of Lasers, 2023, 50(11): 1101001.
[24]Wu Q, Peng L, Huang Z, et al. Advancements in ultrafast photonics: confluence of nonlinear optics and intelligent strategies[J]. Light: Science & Applications, 2025, 14(1):
