近日，我们光场调控与智能光子学团队在结构光场光镊神经网络调控研究中取得进展，相关成果已被物理类Nature Index期刊《Applied Physics Letters》接收发表，题为" Efficient optical trapping force tuning for cusp-catastrophe autofocusing beams using deep neural networks"。

新型结构光场光镊的构建和调控往往涉及空间结构光场的优化选择和大量的光场参数调节，实现最佳性能调控效果需要进行大量的模拟仿真计算和实验验证分析，会消耗大量的计算资源和时间精力。特别是当光镊力和光场分布结构需要重复计算和精确实验验证时，不规则形状结构光场或颗粒例如细胞等将会带来更多的挑战。深度神经网络的灵活性和通用性为解决这一问题提供了新方案。

本研究深入探讨了光束参数对光力的调谐规律，基于深度学习神经网络预测尖点突变自聚焦光束在Mie粒子上的光学捕获力，在优化光捕获的时间效率上提高了10⁴倍。相关分析不仅揭示了光束参数、颗粒尺寸对光力的调谐规律，而且突出了深度学习网络在处理复杂数据与优化调谐光力中的优势。该方法可以扩展到其他的结构光束，而不显著增加其网络复杂性。这扩宽了神经网络在光镊中的应用，为结构光场的调谐与优化提供了更加高效的方法，为未来的实验设计和优化提供了有力的支撑。

本研究不仅揭示了深度学习神经网络应用于光力预测和光束调谐中的巨大潜力，而且提供了一条更快、更高效的开发创新光子工具的途径。

图 1 神经网络的训练数据分布和结构。(a)用于模型训练的不同参数间隔的数据分布；(b)前向预测神经的结构。

工作得到了国家自然科学基金、广西自然科学基金等项目资助。

论文作者：陆小芳（硕士生），张佩羽（硕士生），邬海霞（硕士生），余家灏（本科生），陈平，邹炳锁，洪佩龙（通讯作者），任煜轩（通讯作者），梁毅（通讯作者）。

论文链接：https://doi.org/10.1063/5.0241264