导读： 中国科学院上海光学精密机械研究所精密光学制造与检测中心在基于监督学习的超精密光学曲面自适应工艺决策方面取得重要进展。 近期，中国科学院上海光学精密机械研究所精密光学制造与检测中心在基于监督学习的超精密光学曲面自适应工艺决策方面取得重要进展。研究团队首次提出了一种傅里叶卷积-并联神经网络框架，攻克了光学加工领域小样本训练条件下高维度输出的瓶颈难题，综合训练正确率优于90%，实现了数字化子孔径制造多维度参数组合加工智能化决策，对光学制造的智能化发展具有重要指导意义。相关研究成果以“Fourier convolution-parallel neural network framework with library matching for multi-tool processing decision-making in optical fabrication”为题发表在Optics Letters上。 现代光学系统如光刻系统、大型望远镜和高功率激光等对各类超精密光学元件数量和表面质量提出了更高的需求，而现有工艺决策很大程度上仍然依赖经验丰富的技术专家，受专业人员的稀缺性以及人工决策的不稳定性影响，决策过程智能化是光学制造精度和效率进一步提升面临的关键问题。近年来，数据驱动的机器学习网络发展为解决这一瓶颈问题提供了可能；但在光学加工领域，训练样本获取难而决策维度高，如何实现小样本条件下的有效训练来满足高特征维度输出要求，是数据驱动智能化光学加工发展面临的首要难题。 图1 结合去除函数库匹配的傅里叶卷积-并联神经网络框架 针对以上问题，研究团队首次提出了一种结合去除函数库匹配的傅里叶卷积-并联神经网络框架，实现了数据驱动下工具种类、尺寸、磨料类型和体去除率等关键参数的联合自主决策，决策范围涵盖了自研磨/粗抛到修形/光顺等大部分工艺流程，也是首次证明了光学制造通过数据驱动神经网络解决的可行性。实验结果表明，仅在网络模型的指导下，260mm260mm的离轴非球面镜的面形精度（PV）可由初始的15.153λ收敛至0.42λ（λ=632.8nm），RMS由初始的2.944λ收敛至0.064λ，总加工时间仅为25.34个小时，收敛率优于97%，已达到专业技术人员决策水平。该研究成果对超精密光学元件的高效制造具有重要价值，并有可能将光学制造的智能化水平推向新的高度。 图2 网络模型指导下离轴非球面镜的加工结果 [来源： 中科院上海光机所] < br />< br />