基于自我注意机制的宽场自由形外轴三镜光学系统的噪声强度对齐方法

科学领域:

• 光学工程是指光学工程.
• 机器学习 机器学习
• 光学计量学 在光学计量学

背景情况:

• 带有自由形表面的离轴三镜光学系统面临着由于错位和波面偏差之间的复杂非线性关系而导致的对齐挑战.
• 现有的对齐方法难以达到高精度和效率,特别是在扰乱的条件下.

研究的目的:

• 提出一种具有特征自我注意的混合深度神经网络 (FSA-HNet),以提高离轴三镜光学系统的对齐精度和效率.
• 提高自由形光学系统对齐方法的稳定性和预测准确性.

主要方法:

• 一个混合深度神经网络 (FSA-HNet),集成本地特征提取和全球相关性建模.
• 实现融合损失函数和指数移动平均线策略,以提高模型的稳定性.
• 模拟对齐验证和蒙特卡洛模拟以评估在各种噪声条件下的性能.

主要成果:

• FSA-HNet方法在一次对准代中实现了高精度,用于二级和三级镜子 misalignments (±1毫米下落,±0.1°倾斜).
• 经过两次代,波RMS值接近0.123λ (λ=632.8nm) 的设计值,即使在噪声下.
• 与二次灵敏度矩阵方法相比,对齐精度提高了大约22.4%.
• 蒙特卡洛模拟显示,93.5%的样本达到波浪面RMS比λ/4更好,82%比λ/5.5更好.

结论:

• FSA-HNet方法显著提高了复杂的自由形光学系统的对齐精度和效率.
• 拟议的方法可以提高光学系统的产量,特别是在环境条件受到干扰的情况下.
• FSA-HNet提供了一个强大而精确的解决方案,用于调整具有挑战性的光学系统.