利用基于轨道角动量的结构化光与智能自适应信号处理实现鲁棒的大容量自由空间光通信

作为无形数据高速公路的光束

想象一下，不通过埋设的光纤或拥挤的无线电频谱，而是在开放空气或外太空中，通过细而看不见的激光束传输互联网数据。本文探讨如何使这些光的高速公路更快、更可靠，即便地球的大气湍流试图弯曲、模糊并破坏它们。这项工作对从连接偏远社区到构建密集卫星网络等各方面都至关重要，后者未来可能实现几乎无延迟的数据全球传输。

为什么自由空间激光链路如此吸引人

自由空间光（FSO）通信使用高度聚焦的激光束通过空气或真空传输信息，而不是通过光纤或无线电信道。这些光束可以提供极高的数据速率、不易被窃听，并且在铺设光纤不现实的地方可以快速部署。但问题在于：光穿过真实的大气时，冷热空气团就像不断移动的滑稽镜子。光束会偏移、闪烁并形成斑点图案，从而提高错误率并威胁链路可靠性，尤其在雾、雨或与卫星的长距离传输中。传统的FSO系统采用简单的光束形状和静态校正方案，难以跟上这些快速变化。

让光自行修复的波前塑形

作者提出，与其先依赖电子手段对抗湍流，不如从光束本身入手。不是发送普通钟形的激光斑点，而是使用诸如贝塞尔、艾里（Airy）和涡旋等结构化光束，这些光束携带轨道角动量，使光呈螺旋状扭转。这些模式在被遮挡或扰动后可以部分“自愈”，并能在更长距离上保持聚焦。多种扭曲模式也可以在相同的传播路径上叠加，就像高速公路上的隐形车道，每条车道携带独立的数据流。论文对这些光束穿越湍流空气时的行为、车道间功率泄露的程度以及哪些模式在数公里尺度上最为鲁棒进行了建模。

智能光学与学习系统的协同

仅靠塑形光束还不够，因此该框架增加了两层智能。首先，自适应光学使用可形变镜实时纠正大气引入的一部分波前畸变。一种受蜂群启发的优化算法持续调整镜面设置和光束参数以最大化信号质量。其次，在接收端，信号由两种基于学习的工具清理：一个深度卷积神经网络逐帧观察斑点图案的演化并预测如何逆转这些畸变；以及一个神经—模糊均衡器逐样本微调校正。这个组合不仅使系统能对当前的扰动做出反应，还能预测扰动在短期内的变化。

叠加波长与光束形状以实现巨量容量

为进一步提升容量，作者模拟了同时使用多种光色的方案，选择在大气相对透明的中红外波段。每种颜色再划分为多条扭曲光束车道，从而在单一链路中大幅增加独立数据通道数量。设计不依赖笨重光学元件，而是采用刻有亚波长结构的超薄“超表面”在紧凑的芯片式元件上生成与分离这些轨道角动量光束。在模拟中，这种波长与空间复用的混合方案，配合自适应校正链，将误码率降低一半以上，提升信号稳定性超过20%，并相比更传统系统在有效信号功率上约带来10分贝的增益。

使太空时代的链路更接近现实

简而言之，论文表明通过精心雕塑光束、用光学手段校正，然后用学习算法在数字域清理，我们可以在同一片空气中传输更多信息，即便空气在翻滚不稳。尽管结果基于详细的仿真而非户外试验，但它们勾勒出一条通向能够可靠连接城市、飞机与卫星并具光纤级容量的激光链路的可行路径。如果在硬件上得到验证，这一方法可能为未来更快、更安全、对物理电缆依赖更少的通信网络提供支撑。

引用: Ahmad, M., Hayat, B., Fang, M. et al. Robust high-capacity free-space optical communication using OAM-based structured light and intelligent adaptive signal processing. Sci Rep 16, 8921 (2026). https://doi.org/10.1038/s41598-026-40704-2

关键词: 自由空间光通信, 轨道角动量, 结构化光, 自适应光学, 深度学习均衡