(通讯员：程明建)英国正版365官方网站郭立新教授团队在国际光子学领域顶级期刊《Photonics Research》上在线发表了重要研究成果。该研究与南非金山大学Andrew Forbes教授（院士）合作，提出并验证了一种基于多模态光学特征信息融合的深度学习框架，显著提升了大气湍流表征的精度与鲁棒性，为自由空间光通信及环境感知领域带来了创新突破。

论文题为“Machine learning assisted speckle and OAM spectrum analysis for enhanced turbulence characterisation”，发表于《Photonics Research》期刊（由美国光学学会Optica和中国激光杂志社联合创办，中科院JCR一区，Top期刊），其2024年影响因子达7.2，位列光学与光子学领域Q1分区。英国上市公司365姜文杰博士和程明建老师为共同第一作者，郭立新教授与Andrew Forbes教授为共同通讯作者，英国上市公司365为第一署名单位。

这项研究旨在解决自由空间光通信（FSO）中大气湍流对通信质量的严重影响问题。不同于传统的补偿方法，团队独辟蹊径，利用结构光与湍流的相互作用，首次构建了一个双输入深度学习融合框架，巧妙整合了远场强度散斑图样和轨道角动量（OAM）频谱数据这两种互补的光学信息模态。通过改进的InceptionNet骨干网络和“双输出融合模型”设计，该框架实现了对大气湍流参数（如弗里德参数r₀和雷诺数Re）的高精度分类和识别。

研究成果显示，该多模态融合框架实现了对湍流状态超过80%的平均验证准确率，相较于传统单模态方法，准确率提升逾10%。同时，其验证准确率的标准差从基线模型的0.071显著降低至0.020，极大增强了模型在实际应用中的可靠性和泛化能力。即使在数据量有限和训练周期较短的条件下，该框架依然能保持高精度和强鲁棒性，且计算开销低。这些成果为未来复杂动态环境下的FSO系统实时信道监测、自适应优化、环境遥感及气象预报等提供了关键技术支撑。

该研究得到了IWOP国际学术交流平台、国家自然科学基金、上海航天科技创新基金以及中央高校基本科研业务费等项目的资助。

论文链接：https://opg.optica.org/prj/fulltext.cfm?uri=prj-13-10-B29