陈雪艳同学在全息存储研究中取得新进展
全息存储具有高存储密度、长寿命、高速率等优点，是解决大数据时代海量数据量存储的有效方法之一。深度学习可用来结合全息存储系统解调复振幅信息。本文聚焦全息存储系统中衍射距离、衍射强度图像、深度学习解码的关联机制，探究不同衍射距离下强度图像对复振幅信息的表征差异及对深度学习模型的影响规律。本研究明确了超采样率与衍射距离的关联规律：超采样率越高，获取特定对比度强度衍射图所需的衍射距离越远。在超采样率20、衍射距离1.4 mm条件下，强度衍射图的复振幅特征与 Unet 特征提取机制高度匹配，可提升相位、振幅特征映射效率，使训练前期误码率快速趋近0，实现复振幅精准解调并提升全息存储保真度。该条件下的匹配规律，可为其他采样率的相关研究提供借鉴。 实现全息数据存储主要分为数据编码、数据记录、数据再现、数据解码四个过程。在光学探测过程中，焦面处的探测器无法直接捕获相位信息，仅能捕获光场的强度分布。基于角谱传输理论，通过近场衍射携带复振幅信息的重建光束在近场传播时，其相位信息会耦合到强度衍射图中，与振幅信息共同构成强度分布的完整衍射图。图1(a)表示相位信息随衍射距离增加的变化示意图所示。焦平面z0时?=0不发生衍射，此时光场强度轮廓分布如1(b)所示；随着衍射距离z增加，当衍射距离较小时，?对空间高频率分量的相位调制不足，高频干涉条纹尚未充分展开，如图1(c)所示，因此衍射光的光强分布变化不大；当处于最佳衍射距离时zopt，此时不因距离过短导致高频分量未展开使得条纹模糊，也不因距离过长导致高频分量衰减使得条纹弥散，如图1(d)所示；而当衍射距离过大时，高频分量的相位快速变化导致条纹弥散，如图1(e)所示，使得衍射光的光强分布发生强烈变化，降低局部对比度。此外，光场的最高空间频率随着超采样率的增大而增大，因此将高频分量的相位展开不重叠且不弥散所对应的衍射距离更远。 |
|
| 图1. 相位信息随衍射距离增加的变化示意图 |
图2(a)-(c)分别展示了超采样率为10、20、30时，不同衍射距离下的衍射强度图及对应的相位、振幅数据页。随衍射距离增大，强度图呈现“轮廓显现到轮廓最清晰最后随衍射距离不断增大轮廓弥散的变化规律。当超采样率10时，0.3 mm开始出现码块轮廓，0.4 mm时轮廓最清晰，0.5 mm时轮廓弥散；超采样率20时，1.3 mm开始出现轮廓，1.4 mm时轮廓最清晰，1.5 mm时轮廓弥散；超采样率30时，3 mm开始出现轮廓，3.1 mm时轮廓最清晰，3.2 mm时轮廓弥散。该实验结果验证了上述衍射强度图与衍射距离的对应关系：超采样率越高，相位干涉条纹充分展开即轮廓最清晰所需的衍射距离越远。 |
|
| 图2. 不同超采样率在不同衍射距离下对应衍射强度图像 |
文中重点探究超采样率为20的情况作为具体实例，通过实验针对性研究其对应的最佳衍射距离；而其他超采样率下的最优衍射距离，可借助上述介绍的二者规律来分析。图3为本实验编码的振幅、相位数据页。 |
|
| 图3. 16阶数据页编码 |
图4为非干涉式复振幅解码全息存储系统和存储介质制备流程。 |
|
| 图4. 全息存储系统 |
图5展示了不同衍射距离z，1.3 mm、1.4 mm、1.5 mm 处的仿真结果与实验采集结果。从图像细节来看，仿真图中各码块呈现出均匀的灰度分布，码块边缘轮廓清晰；而实验图在相同衍射距离下，码块的形状、灰度层次及整体排布规律均与仿真图高度吻合，仅在局部区域存在微弱的环境噪声导致的亮度波动，这一结果验证了仿真模型对实际光场衍射过程的准确刻画。同时可以观察到，随着衍射距离从1.3 mm增大至1.5 mm，无论是仿真图还是实验图中，数据页内相邻码块之间的间隔都呈现出明显的扩大趋势，码块的分散程度随传播距离增加而提升。 |
|
| 图5. 不同衍射距离仿真衍射强度图和实验图 |
结合角谱传输理论中“强度衍射图承载复振幅双重信息”的特性，本文利用卷积神经网络（CNN），在特征提取与逆问题求解方面的优势，构建了“衍射衍射强度图-复振幅信息”的映射模型，以实现从衍射强度图到原始复振幅的解码。深度学习训练与测试过程如图6所示。 |
|
| 图6. 深度学习训练与测试过程 |
图 7 呈现了 1.3 mm、1.4 mm、1.5 mm 三种衍射距离下，深度学习解码测试数据的误码率（SER）随训练迭代次数（epochs）的变化曲线：(a) 为相位解码结果，(b) 为振幅解码结果。三条曲线前 5 个 epochs 均快速下降，后续差异显现：1.4 mm 时，两类解码SER均在10~15个epochs内迅速趋0，且收敛后稳定无波动；1.3 mm（相位后期微抬升）与 1.5 mm（振幅持续微震荡）的曲线收敛更慢，稳定性较差。图 7 (c) 验证了 1.4 mm 衍射强度图经深度学习可百分百精准恢复相位与振幅信息。 |
|
| 图7. 不同衍射距离测试数据随训练过程的误码率 |
另外，图8分别展示了超采样率为10和30时对应较优衍射距离分别为0.4 mm和3.1 mm。实验结果也进一步验证了“超采样率越高，获取特定对比度衍射图所需的衍射距离越远”这一规律。 |
|
| 图8. 不同超采样率对应衍射距离采集的衍射强度图像深度学习测试数据随训练过程的SER |
本文围绕全息存储系统中衍射距离、强度衍射图与特定 Unet 深度神经网络解码的核心关联展开研究，重点探究超采样率与衍射距离的内在关系，并针对特定参数组合下的最优衍射距离进行量化分析。 研究通过调控透镜焦平面外的衍射距离，以1.3 mm、1.4 mm、1.5 mm 为典型研究对象，结合实验与仿真手段，分析了不同衍射距离下强度衍射图对复振幅信息的表征差异。结果表明，在 16 阶复振幅编码、16×16 码块、320×320 像素（像素尺寸 8 μm）及超采样率20的参数组合下，1.4 mm 为该系统的最优衍射距离。此距离下，强度衍射图中相位干涉条纹清晰且无过度模糊，振幅灰度分布区分度良好且无特征重叠，与Unet网络的特征提取机制适配性最优，可实现解码误码率的快速收敛与稳定趋近于0，保障复振幅信息的精准解调。 |
述研究成果以“基于深度学习对不同衍射距离对应衍射强度图信息解码探究”为题，整理发表在光电工程期刊杂志。《光电工程》，Vol.53, No.2, 250371(10p) (2026) 上。 论文的相关链接：https://www.oejournal.org/oee/article/doi/10.12086/oee.2026.250371 |
|
(2026.02.13)
