[论文解读] Separating partially coherent light

Paul-Alexis Mor, Anne R. Kroo+10 more|arXiv (Cornell University)|Mar 16, 2026

Neural Networks and Reservoir Computing被引用 0

一句话总结

该论文展示了片上相干层析：通过自配置干涉层自动将部分相干光分离为正交相干模，揭示相干矩阵的特征值与特征向量。

ABSTRACT

Recent advances in optical imaging and communication increasingly involve high-dimensional, partially coherent light, creating a growing need for scalable tools to measure and manipulate coherence. Here, we demonstrate the automatic separation of spatially partially coherent light into "coherence modes" -- its orthogonal and mutually incoherent components. To make this separation possible, we exploit variational processing in layered self-configuring interferometer architectures in a silicon photonic circuit. This process formally finds and measures the eigenvectors and eigenvalues of the coherency matrix, hence measuring the partially coherent state, while leaving it intact and separated after optimization. Furthermore, we show that mutually incoherent beams, if spatially orthogonal, can be automatically separated even if they are completely overlapped, hence separating unknown laser beams based only on their mutual incoherence. Our experiment finds and separates the two strongest coherence modes starting from a nine-mode sampling of the partially or fully overlapping fields from two independent lasers. The method requires a number of physical components that scales linearly with the rank $r$ of the coherency matrix and operates through a sequence of $r$ in situ gradient-based optimizations enabled by electronic drive frequency multiplexing of interferometer phase shifters. We benchmark its performance against a mixture-based tomographic method, also implemented on chip. These results establish a scalable framework for programmable coherence analysis and control in imaging, communication, and photonic information processing.

研究动机与目标

• 为成像、通信与光子处理中的部分相干光的可扩展测量与操控提供动机。
• 开发一种硬件平台，在片上物理分离相干模并获取相干矩阵的特征结构。
• 通过逐层变分优化实现相干层析。
• 仅基于相干性质，演示自动分离互不相干、重叠的光束。
• 将该方法与混合层析进行基准比较，并说明在熵测量与基于相干的去多路复用中的应用。

提出的方法

• 使用具有9个光栅耦合器的两层自配置 Mach-Zehnder 干涉仪（MZI）网络，在输入场上实现单位变换。
• 将层析表述为一系列 r 次变分优化，用于提取输入相干矩阵的相干模和特征值。
• 采用频率多路梯度估计，测量输出功率对每个移相器的梯度，实现就地梯度下降。
• 通过观测输出功率和各层之间的干涉条纹来测量相干矩阵元素。
• 通过在单位网络内物理地将每个模路由到不同输出，展示相干模分离。
• 通过从两束不相干激光输入重建相干矩阵，与混合层析进行基准比较。
• 展示应用：相干熵测量和基于相干的重叠光束去多路复用。

实验结果

研究问题

• RQ1 芯片基干涉网络是否能够自动对相干矩阵进行对角化以揭示相干模？
• RQ2 在芯片上是否有可能在保持态的前提下物理分离部分相干光为正交相干模？
• RQ3 PCLA 在忠实度和特征值准确性方面与传统混合层析相比如何？
• RQ4 是否能够仅通过相干性质在自配置网络下对互不相干、空间重叠的光束进行去多路复用？
• RQ5 哪些运行指标（熵、串扰）可量化设备上的相干学习与分离？

主要发现

• 九模器件从两台独立激光出发，成功寻找并分离出两条最强的相干模。
• 特征向量保真度为 97.8%（层1）和 99.9%（层2）；特征值估计误差分别为 0.29%（层1）和 3.11%（层2）。
• 随着第一层输出之间的相干性被抑制，两模干涉条纹清晰度下降；在第二层没有进一步下降。
• 分离光束之间的串扰低至 -13.0 dB。
• 物理元件总数按 O(rN) 规模，r 为相干矩阵秩，N 为模数；在 r 层内使用基于梯度的更新进行优化。
• 该方法在片上对混合层析达到 >98% 的保真度。