近期，中國科學院上海光學精密機械研究所精密光學制造與檢測中心在基于監(jiān)督學習的超精密光學曲面自適應工藝決策方面取得重要進展。研究團隊首次提出了一種傅里葉卷積-并聯神經網絡框架，攻克了光學加工領域小樣本訓練條件下高維度輸出的瓶頸難題，綜合訓練正確率優(yōu)于90%，實現了數字化子孔徑制造多維度參數組合加工智能化決策，對光學制造的智能化發(fā)展具有重要指導意義。相關研究成果以“Fourier convolution-parallel neural network framework with library matching for multi-tool processing decision-making in optical fabrication”為題發(fā)表在Optics Letters上。 'H|;%J6d>  
1 iquHn  
現代光學系統(tǒng)如光刻系統(tǒng)、大型望遠鏡和高功率激光等對各類超精密光學元件數量和表面質量提出了更高的需求，而現有工藝決策很大程度上仍然依賴經驗豐富的技術專家，受專業(yè)人員的稀缺性以及人工決策的不穩(wěn)定性影響，決策過程智能化是光學制造精度和效率進一步提升面臨的關鍵問題。近年來，數據驅動的機器學習網絡發(fā)展為解決這一瓶頸問題提供了可能；但在光學加工領域，訓練樣本獲取難而決策維度高，如何實現小樣本條件下的有效訓練來滿足高特征維度輸出要求，是數據驅動智能化光學加工發(fā)展面臨的首要難題。 P&h/IBA_  
,b.kw}k  
針對以上問題，研究團隊首次提出了一種結合去除函數庫匹配的傅里葉卷積-并聯神經網絡框架，實現了數據驅動下工具種類、尺寸、磨料類型和體去除率等關鍵參數的聯合自主決策，決策范圍涵蓋了自研磨/粗拋到修形/光順等大部分工藝流程，也是首次證明了光學制造通過數據驅動神經網絡解決的可行性。實驗結果表明，僅在網絡模型的指導下，260mm260mm的離軸非球面鏡的面形精度（PV）可由初始的15.153λ收斂至0.42λ（λ=632.8nm），RMS由初始的2.944λ收斂至0.064λ，總加工時間僅為25.34個小時，收斂率優(yōu)于97%，已達到專業(yè)技術人員決策水平。該研究成果對超精密光學元件的高效制造具有重要價值，并有可能將光學制造的智能化水平推向新的高度。 RsR] T]4  
~>4@;