JP7783253B2

JP7783253B2 - 機械学習技法を使用して光キャビティを調整するためのシステムおよび方法

Info

Publication number: JP7783253B2
Application number: JP2023507266A
Authority: JP
Inventors: ナマジ、メディ; フラメント、マエル; セケルスキー、ローク; フリッツ、ミシェル; ポルトマン、ガブリエルベッロ
Original assignee: Qunnect Inc
Current assignee: Qunnect Inc
Priority date: 2020-08-18
Filing date: 2021-08-18
Publication date: 2025-12-09
Anticipated expiration: 2041-08-18
Also published as: EP4200984A4; AU2021329337A1; WO2022040316A1; US20230305287A1; KR20230050448A; CA3188442A1; EP4200984A1; JP2023544078A

Description

光共振キャビティは、高い信号対雑音比が達成され得る高品質のスペクトルフィルタを形成するために使用することができる。光キャビティは、反射面および／またはミラーの組合せによって形成される。光が第１のミラーに入射すると、光場の小部分が共振器に入り、ミラー間を伝搬し、一方、キャビティへの入射光の大部分が反射される。しかしながら、光キャビティ長が入射光の波長の倍数である場合、定在波が光キャビティ内に形成され、強め合う干渉が発生する。これらの条件下で、共振波長の選択的透過が達成される一方で、他の波長の光は後方反射および／または吸収され得る。光キャビティ内のミラー間の経路長は、他のパラメータの中でも、光キャビティの共振特性を調整するために使用される。

いくつかの実施形態は、光キャビティを調整する方法を提供する。方法は、光キャビティの調整パラメータを決定するステップであって、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）モデルを使用して、光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定すること、強化学習（ＲＬ：ｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇ）モデルを使用して、ミスアライメントの程度に基づいて調整パラメータを決定することを含む調整パラメータを決定するステップと、調整パラメータを使用して光キャビティを調整するステップとを含む。

いくつかの実施形態は、コンピュータによる実行時に、コンピュータに方法を実行させるコンピュータ実行可能命令がコード化された少なくとも１つのコンピュータ可読記憶媒体を提供する。方法は、畳み込みニューラルネットワーク（ＣＮＮ）モデルを使用して、光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、強化学習（ＲＬ）モデルを使用して、ミスアライメントの程度に基づいて調整パラメータを決定するステップと、調整パラメータを使用して光キャビティを調整するステップとを含む。

いくつかの実施形態では、ミスアライメントの程度を決定するステップは、ＣＮＮモデルを使用して、測定信号と標準動作信号との間の差を決定することを含む。
いくつかの実施形態では、測定信号と標準動作信号との間の差を決定することは、測定信号とガウス０次モードを含む空間プロファイル画像との間の差を決定することを含む。

いくつかの実施形態では、調整パラメータを決定するステップは、ＲＬモデルを使用して調整パラメータを生成することを含み、調整パラメータは、測定信号と標準動作信号との間の決定された差に基づく。

いくつかの実施形態では、方法は、機械学習モデルを使用して、閾値透過率値（ｔｈｒｅｓｈｏｌｄｔｒａｎｓｍｉｓｓｉｏｎｖａｌｕｅ）に基づいて光キャビティの調整パラメータを決定する時期を決定するステップをさらに含む。いくつかの実施形態では、閾値透過率値は９０％の透過率である。

いくつかの実施形態では、方法は、光キャビティの温度測定値および／または光キャビティの環境の温度測定値に基づいて、光キャビティの調整パラメータを決定する時期を決定するステップをさらに含み、温度測定値は温度センサから取得される。

いくつかの実施形態では、調整パラメータを使用して光キャビティを調整するステップは、調整パラメータに基づいて光キャビティのキャビティ壁間の間隔を変更することを含む。

いくつかの実施形態では、調整パラメータを使用して光キャビティを調整するステップは、調整パラメータに基づいて光キャビティの１つまたは複数のミラーの反射率を変更することを含む。いくつかの実施形態では、１つまたは複数のミラーの反射率を変更することは、光キャビティの温度を変更することを含む。

いくつかの実施形態では、光キャビティのキャビティ壁間の間隔を変更することは、光キャビティの温度を変更することを含む。
いくつかの実施形態では、光キャビティのキャビティ壁間の間隔を変更することは、圧電アクチュエータを使用することを含む。

いくつかの実施形態では、測定信号を分析することは、光キャビティから出射する光の測定値を分析することを含む。
いくつかの実施形態では、方法は、光キャビティから出射する光の方向に垂直な平面内に配置された２次元検出器アレイを使用して、光の測定値を捕捉するステップを含む。いくつかの実施形態では、光の測定値を捕捉するステップは、光キャビティから出射する光の空間プロファイルを捕捉することを含む。いくつかの実施形態では、光キャビティから出射する光の空間プロファイルを捕捉することは、光キャビティの横空間モードを特徴付ける情報を捕捉することを含む。

いくつかの実施形態では、方法は、光検出器を使用して光の測定値を捕捉するステップを含む。いくつかの実施形態では、光の測定値を捕捉するステップは、光検出器を使用して光の強度および／またはパワースペクトルを捕捉することを含む。

いくつかの実施形態では、方法は、物理モデルに基づいて生成された１組の画像および／または光キャビティの制御されたパラメータ探索（ｐａｒａｍｅｔｅｒｅｘｐｌｏｒａｔｉｏｎ）によって生成された１組の画像を使用して、ＣＮＮモデルを訓練するステップをさらに含む。

いくつかの実施形態では、方法は、光キャビティから測定信号を周期的に取得するステップと、ＣＮＮモデルを使用して測定信号を分類するステップと、ＲＬモデルを使用して光キャビティの調整パラメータを決定するステップと、光キャビティを調整するステップとをさらに含む。

いくつかの実施形態では、方法は、ＣＮＮモデルを使用して、確率的最適化アルゴリズムを使用して測定信号をソーティングするステップをさらに含む。いくつかの実施形態では、確率的最適化アルゴリズムを使用して測定信号をソーティングするステップは、アダム（Ａｄａｍ）アルゴリズムを使用することを含む。

いくつかの実施形態では、方法は、ＲＬモデルを使用して測定信号をソーティングするステップをさらに含む。いくつかの実施形態では、ソーティングするステップは、現在の位置とＴＥＭ_００光学モードを生成する位置との間で光キャビティのミラーマウントを駆動する圧電アクチュエータによって取られるステップの数を使用して測定信号をソーティングすることを含む。

いくつかの実施形態では、ＣＮＮモデルを使用することは、７個の畳み込み層、２個の全結合層、３個の最大プーリング層、１個または複数個のＲｅＬＵ活性化層、および１個のソフトマックス活性化層を含むアーキテクチャを有するＣＮＮモデルを使用することを含む。

いくつかの実施形態は、２つ以上の光キャビティを調整する方法を提供する。方法は、第１の光キャビティに関連付けられた第１の調整パラメータおよび第２の光キャビティに関連付けられた第２の調整パラメータを決定するステップであって、畳み込みニューラルネットワーク（ＣＮＮ）モデルおよび強化学習（ＲＬ）モデルを使用して、第２の光キャビティから取得された測定信号を分析することを含む第１および第２の調整パラメータを決定するステップと、第１および第２の調整パラメータを使用して第１および第２の光キャビティを調整するステップとを含む。

いくつかの実施形態は、光学システムを提供する。光学システムは、光キャビティと、光キャビティに結合された少なくとも１つのプロセッサと、少なくとも１つのプロセッサによる実行時に、少なくとも１つのプロセッサに方法を実行させるコンピュータ実行可能命令を保存する少なくとも１つのコンピュータ可読記憶媒体とを備える。方法は、畳み込みニューラルネットワーク（ＣＮＮ）モデルを使用して、光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、強化学習（ＲＬ）モデルを使用して、ミスアライメントの程度に基づいて調整パラメータを決定するステップと、調整パラメータを使用して光キャビティを調整するステップとを含む。

いくつかの実施形態では、測定信号を分析することは、ＣＮＮモデルを使用して、測定信号と標準動作信号との間の差を決定することを含む。
いくつかの実施形態では、測定信号と標準動作信号との間の差を決定することは、測定信号とガウス０次モードを含む空間プロファイル画像との間の差を決定することを含む。

いくつかの実施形態では、調整パラメータを決定するステップは、ＲＬモデルを使用して調整パラメータを生成することを含み、調整パラメータは、測定信号とＣＮＮモデルによって決定された標準動作信号との間の差に基づく。

いくつかの実施形態では、光キャビティは、高フィネス光キャビティを含む。いくつかの実施形態では、高フィネス光キャビティは、１００以上２０，０００以下のフィネス値を有する光キャビティを含む。いくつかの実施形態では、高フィネス光キャビティは、ファブリーペローエタロンを含む。

いくつかの実施形態では、光キャビティは、平坦、凹状、凸状、またはこれらの組み合わせである表面を含むキャビティ壁を含む。いくつかの実施形態では、表面は反射コーティングを含む。

いくつかの実施形態では、光学システムは、光キャビティから出射する光の方向に垂直な平面内に配置された検出器をさらに備える。いくつかの実施形態では、検出器は、２５６×２５６ピクセルよりも大きい解像度を有する検出器アレイを含む。

いくつかの実施形態では、測定信号は、光キャビティから出射する光の検出器アレイによる測定から得られる。いくつかの実施形態では、測定信号は、光キャビティから出射する光の空間プロファイルの画像であり、画像は、光キャビティの横空間モードを特徴付けるものである。

上記は、添付の特許請求の範囲によって定義される本発明の非限定的な概要である。

添付の図面は、一定の縮尺で描かれることを意図していない。図面では、様々な図に示される同一またはほぼ同一の構成要素はそれぞれ、同様の数字によって表されている。明確にするために、全ての図面において全ての構成要素に符号が付されているわけではない。図面は以下の通りである。
本明細書に記載されるいくつかの実施形態による、光キャビティ調整プロセスを実行するためのファシリティ（ｆａｃｉｌｉｔｙ）の一例の概略ブロック図である。本明細書に記載のいくつかの実施形態による、畳み込みニューラルネットワーク（ＣＮＮ）モデルおよび強化学習（ＲＬ）アルゴリズムを含む機械学習パイプラインを使用して光キャビティを調整する例示的なプロセス２００のフローチャートである。図３Ａは、従来のダイクロイックフィルタを通過した後の光子ビームのスペクトルパワー分布を示す図であり、図３Ｂは、本明細書に記載されるいくつかの実施形態による、光キャビティ調整ファシリティからのフィードバックを含むファブリーペロー干渉計を示す図であり、図３Ｃは、本明細書に記載のいくつかの実施形態による、図３Ｂのファブリーペロー干渉計を通過した後の光子ビームのスペクトルパワー分布を示す図である。本明細書に記載されるいくつかの実施形態による、光キャビティを調整するための機械学習モデルの例示的なアーキテクチャのブロック図である。本明細書に記載されるいくつかの実施形態による、光キャビティを調整するための例示的な強化学習アルゴリズムのブロック図である。図６Ａは、本明細書で説明されるいくつかの実施形態による、光キャビティを調整するための機械学習モデルの取得された正解率データを示す図であり、図６Ｂは、本明細書で説明されるいくつかの実施形態による、光キャビティを調整するための機械学習モデルの取得された損失データを示す図であり、図６Ｃは、本明細書に説明されるいくつかの実施形態による、図７Ａおよび図７Ｂの機械学習モデルへの訓練および試験データとして提供される例示的なエルミートガウス光学モードを示す図である。本明細書で説明される態様が実施され得る例示的なコンピューティングデバイスの概略図である。

畳み込みニューラルネットワーク（ＣＮＮ）モデルおよび強化学習（ＲＬ）アルゴリズム（例えば、アクタークリティック（Ａｃｔｏｒ－Ｃｒｉｔｉｃ）、Ａ２Ｃ）を使用して、（例えば、光キャビティを含む）光学システムのパラメータを調整するための技法が、本明細書で説明される。これらの技術は、ＣＮＮモデルおよび／またはＲＬアルゴリズムを使用して、光キャビティの出力から取得される測定信号を分析することによって、（例えば、光キャビティの特性を変更するための）調整パラメータを決定する方法を含む。例えば、ＣＮＮモデルには、光キャビティから出射する光の空間プロファイルの画像、または光キャビティから出射する光の強度および／またはパワースペクトルの測定値が提供され得る。ＣＮＮモデルは、この測定信号を使用して、所望の光学モード（例えば、ガウス０次モード）に対する光キャビティのミスアライメントの程度を予測することができる。次いで、予測されたミスアライメントの程度に基づいて、ＲＬアルゴリズムは、（例えば、光学システムの透過率を増加させることによって）光キャビティの光学特性を調整して、光学システムの性能を改善するために使用され得る調整パラメータを生成することができる。

光キャビティは、レーザ、レーザ分光、光パラメトリック増幅器、光周波数計測、非線形光学デバイス、および共振器量子電磁力学（ｃａｖｉｔｙｑｕａｎｔｕｍｅｌｅｃｔｒｏｄｙｎａｍｉｃｓ）を含む多数の用途で使用される。一般に、それらは、レーザにおける利得媒体のように、物質と電磁（ＥＭ）場との間の相互作用時間を延長するために使用される。それらはまた、ＥＭ場に明確なモード構造を与えることができ、かつ光学システムに対するモードおよび周波数マッチングおよびロッキング手法の両方をサポートすることができる。

量子光ネットワークの構成要素（例えば、光子源、検出器、メモリ、量子もつれ交換ノード）は、単一フォトンレベルで、かつ正確な波長で機能する。光キャビティは、高い信号対雑音比を達成するために使用され、（例えば、量子状態トモグラフィ、量子もつれ交換を実行するために）構成要素間の正確かつ効率的な通信を可能にする。量子光ネットワークの実施における重要な課題は、量子情報を搬送する光子をバックグラウンド光子から分離することであり、バックグラウンド光子は、１００ｄＢより大きく分離され得ることが好ましい。この高度な分離は、実際の環境条件（例えば、室温またはその付近）で機能する量子技術の開発および実際の実施において特に重要である。標準的な光フィルタリング方法（例えば、ダイクロイックフィルタリング、吸光度フィルタリング（ａｂｓｏｒｂａｎｃｅｆｉｌｔｅｒｉｎｇ））は、そのような条件下で単一光子信号をバックグラウンドノイズから分離するには不十分である。

所望の超狭帯域調整可能フィルタリングを実現するために、１つの解決策は、キャビティと共振する波長の光を伝送するように構成されたタイプの光キャビティである、ファブリーペロー（ＦＰ）干渉計（例えば、ＦＰキャビティまたはエタロン）を使用することである。ＦＰ光キャビティの高いフィネス（例えば、ｆ＞１００）が実現可能である。しかしながら、そのような光キャビティは、フィネスが上昇し帯域幅が狭くなるにつれてますます不安定になり、伝搬信号の透過率および／または忠実度が制限される結果となる。さらに、これらのキャビティは、環境変動（例えば、温度変動）に非常に敏感であり、非制御環境に配置されたときに長期間にわたってアライメントを維持することは困難である。

光学機器（例えば、光共振器キャビティ）の適切なアライメントおよび較正は、いくつかの方策および多くのパラメータの微調整に依存する。現在まで、完全に自律的な自己調整光キャビティのための包括的な解決策は存在しない。遠隔制御可能（例えば、温度または機械的に調整可能）な実施形態が存在するが、光学機器の調整を実施するために手動で操作されるインタフェースを依然として必要とする。光キャビティをアライメントする場合、キャビティから出射する横空間モード（「エルミート－ガウス（Ｈｅｒｍｉｔｅ－Ｇａｕｓｓｉａｎ）」モード）を観察し、次に共振器長および温度を調整して０次モード（「ガウス」モード）を生成することができる。この手動調整プロセス、より広くは、ミラー（例えば、アライメント）およびレンズ（例えば、モードマッチング）ならびに他の光学素子（例えば、波長板、偏光子）を含む複雑な光学アセンブリの手動調整プロセスは、面倒で、非常に非効率的で、不正確なものである。この問題は、複数のキャビティが所望の用途のために互いに直列に配置される場合、またはそのようなキャビティが、しばしば長期ドリフトが頻発する量子用途と併せて使用される場合に、著しく深刻化する。

本発明者らは、自己保守光学システムを実施するために、機械学習技法がそのような光学機器に適用され得ることを認識および理解している。そのような自己保守は、遠隔展開のための（例えば、長距離電気通信システムのための）高度なフォトニック機器を較正および維持するために特に有用であり得る。

本発明者らは、さらに、自己保守が実行される時期を最適化することによって、自己保守光学システムの動作不能ダウンタイムを最小限に抑えるために機械学習技法が使用され得ることを認識し、理解した。例えば、機械学習技法（例えば、時系列分析（ＴＳＡ：ｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ）、リカレントニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ）または長期短期記憶ネットワーク（ＬＳＴＭ：ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ）を使用したＴＳＡ、勾配ブーストツリー、アンサンブルモデル）を使用して、自己保守を周期的に（例えば、毎時間）実行するのではなく、自己保守をどの程度の頻度で実行する必要があるかを予測することができる。予測は、例えば、環境情報（例えば、温度測定値）を使用して実行することができる。代替的に、そのような機械学習技法は、光学システムの動作時間量を最適化するために最大透過率値を維持するのではなく、閾値透過率値を維持する（例えば、９０％の透過率値を維持する）ために自己保守を行う時期を予測するために使用され得る。

本発明者らはさらに、光キャビティ性能を自動的に監視および安定化させる機械学習技法が、電気通信、量子技術、ハイパースペクトルリモートセンシング、および他の光学用途を含む広範囲のフォトニック用途に有利であり得ることを認識および理解した。分散型センシング、量子通信、または光ベースの情報処理アーキテクチャをサポートする量子デバイスは、超狭帯域周波数フィルタリング光キャビティの使用の一例である。

加えて、本発明者らは、自己保守光学システムを実施するための機械学習技法の使用が、多くの付加的な光学計装システム（ｏｐｔｉｃａｌｉｎｓｔｒｕｍｅｎｔａｔｉｏｎｓｙｓｔｅｍ）であって、精密分光法（例えば、組成検出）、レーザ共振器（例えば、レーザ増幅器、光周波数倍増、Ｑセンシング）、精密周波数フィルタリング（例えば、量子用途）、横放射モードフィルタリング（例えば、自由空間通信）、光周波数標準（例えば、位相ロック、原子時計）、及び精密長さ測定（例えば、計測、ＬＩＤＡＲ）を含む光学計装システムに適用され得ることを認識および理解した。

従って、本発明者らは、機械学習技法を使用して光学システムの特性を調整するためのシステムおよび方法を開発した。いくつかの実施形態では、方法は、畳み込みニューラルネットワーク（ＣＮＮ）モデルを使用して、光キャビティから取得された測定信号を分析することによって、光キャビティの（例えば、光学特性を変更するために使用される）調整パラメータを（例えば、自動的にまたは手動で）決定することを含む。測定信号は、例えば、光キャビティから出射する光の測定値（例えば、光キャビティから出射する光の空間プロファイルの画像、光キャビティから出射する光の積分強度）であり得る。強化学習（ＲＬ）モデルは、ＣＮＮモデルの出力を使用して、所望の光学モード（例えば、ガウス０次モード）に対する光キャビティのミスアライメントの程度を決定することができる。方法は、ＲＬモデルによって決定された調整パラメータを使用して光キャビティを調整することを含み得る。

いくつかの実施形態では、ＣＮＮモデルは、２次元ＣＮＮモデルであってもよく、そのアーキテクチャは、多数の畳み込み層、全結合層、最大プーリング層、および／または様々な活性化層（例えば、ＲｅＬＵ層、ソフトマックス層）を含み得る。例えば、ＣＮＮモデルは、７個の畳み込み層、２個の全結合層、３個の最大プーリング層、および１個のソフトマックス予測層を含み得る。

いくつかの実施形態では、ＣＮＮモデルは、最初に、（例えば、シミュレートされた光キャビティからの）シミュレートされた空間モードを使用して訓練され得、次いで、物理システム（例えば、実世界の光学システム）からの出力を使用してさらに訓練および精緻化され得る。光キャビティのアライメントのコンテキストにおいて、ＲＬアルゴリズムは、光キャビティからの出力ビーム品質の関数として報酬を決定するポリシーシステムを使用して訓練され得る。いくつかの実施形態では、光学システムは、光キャビティ（例えば、ＦＰ光キャビティ）と、光キャビティに結合された少なくとも１つのプロセッサと、少なくとも１つのプロセッサによる実行時に、少なくとも１つのプロセッサに上述の方法を実行させる命令を保存する少なくとも１つのコンピュータ可読記憶媒体とを含む。いくつかの実施形態では、光学システムは、（例えば、光キャビティから出射する光を画像化することによって）光キャビティを監視するように構成された検出器アレイをさらに含み得る。

図１は、本明細書に記載されるいくつかの実施形態による、光キャビティ調整プロセスを実行するためのファシリティ１００の一例の概略ブロック図である。図１の例示的な例では、ファシリティ１００は、光学システム１１０および光学システムコンソール１２０を含む。ファシリティ１００は例示的なものであり、ファシリティは、図１に示される構成要素に加えて、またはその代わりに、任意の適切なタイプの１つまたは複数の他の構成要素を有し得ることを理解されたい。例えば、ファシリティ内に遠隔システムが存在してもよい。

図１に示されるように、いくつかの実施形態では、光学システム１１０および光学システムコンソール１２０は、ネットワーク１３０によって通信可能に接続され得る。ネットワーク１３０は、ローカルエリアまたはワイドエリアの企業ネットワークおよび／またはインターネットを含む、１つまたは複数のローカルエリアおよび／またはワイドエリアの有線および／または無線ネットワークであるか、またはそれらを含み得る。従って、ネットワーク１３０は、例えば、ハードワイヤードネットワーク（例えば、ファシリティ内のローカルエリアネットワーク）、無線ネットワーク（例えば、Ｗｉ－Ｆｉおよび／またはセルラーネットワークを介して接続される）、クラウドベースのコンピューティングネットワーク、またはそれらの任意の組み合わせであり得る。例えば、いくつかの実施形態では、光学システム１１０および光学システムコンソール１２０は、同じファシリティ内に位置して、互いに直接接続され得るか、またはネットワーク１３０を介して互いに接続され得る。

いくつかの実施形態では、光学システムコンソール１２０は、光学システム１１０内の構成要素（例えば、第１の光キャビティ１１２および／または第２の光キャビティ１１６）のパラメータを調整し、調節し、かつ／または保守を行うように構成され得る。光学システム１１０は、第１の光キャビティ１１２と、第１の光キャビティ１１２に結合された任意選択の第２の光キャビティ１１６と、第１の光キャビティ１１２および／または第２の光キャビティ１１６からの出力信号を測定するように構成された検出器１１４と、第１の光キャビティ１１２および／または第２の光キャビティ１１６の温度を測定するように、かつ／または光学システムの環境の温度を測定するように構成された任意選択の温度センサ１１８とを含み得る。

いくつかの実施形態では、第１の光キャビティ１１２および任意選択の第２の光キャビティ１１６は、高フィネス光キャビティであり得る。例えば、第１の光キャビティ１１２および／または第２の光キャビティ１１６は、用途に応じて、１００～２０００、１００～５０００、１００～２０，０００、または１００～７５０，０００の範囲内、又はこれらの範囲内の任意の範囲内のフィネス値を有し得る。

いくつかの実施形態では、第１の光キャビティ１１２および／または第２の光キャビティ１１６は、いくつかの実施形態では、ファブリーペローエタロン（Ｆａｂｒｙ－Ｐｅｒｏｔｅｔａｌｏｎ）であり得る。第１の光キャビティ１１２および／または第２の光キャビティ１１６は、形状が平坦、凹状、又は凸状である（例えば、反射コーティングによる）反射面を含むキャビティ壁を含み得る。いくつかの実施形態では、第１の光キャビティ１１２および／または第２の光キャビティ１１６は、各々が反射面を備える２つの対向するキャビティ壁を含み得る。２つの対向するキャビティ壁は、それぞれ、形状が平坦、凹状、または凸状であってもよく、形状が異なっていてもよい。いくつかの実施形態では、反射面は、それらの配置位置を変更するために（例えば、反射面の角度を変更するために、および／または反射面間の距離を変更するために）アクチュエータ（例えば、圧電アクチュエータ）によって制御され得る。

いくつかの実施形態では、検出器１１４は、第１の光キャビティ１１２の出力に、および／または任意選択的に第２の光キャビティ１１６の出力に光学的に結合され得る。いくつかの実施形態では、検出器１１４は、第１の光キャビティ１１２および／または第２の光キャビティ１１６から出射する光の方向に垂直な平面内に配置された２次元検出器アレイであり得る。例えば、検出器１１４は、フォトダイオードアレイ、フォトトランジスタアレイ、または任意の他の好適な検出器デバイス（例えば、高量子効率ＣＣＤカメラ）であり得る。いくつかの実施形態において、検出器１１４は、少なくとも２５６×２５６ピクセルの解像度を有するアレイであり得る。いくつかの実施形態では、検出器１１４は、検出器のアレイではなく単一の検出器であり得る。例えば、検出器１１４は、受信した光の強度および／またはパワースペクトルを検出するように構成されたフォトダイオードまたは任意の他の適切な光検出器であり得る。

いくつかの実施形態では、検出器１１４は、第１の光キャビティ１１２および／または第２の光キャビティ１１６からの測定信号を光学システムコンソール１２０に提供するように構成され得る。測定信号は、第１の光キャビティ１１２および／または第２の光キャビティ１１６から出射する光の検出器１１４による測定から取得され得る。第１の光キャビティ１１２および第２の光キャビティ１１６の両方を含むいくつかの実施形態では、検出器１１４は、第２の光キャビティ１１６のみからの測定信号を提供するように構成され得、この測定信号から、第１の光キャビティ１１２および第２の光キャビティ１１６の両方に関する調整パラメータが決定され得る。

いくつかの実施形態では、測定信号は、光キャビティから出射する光の空間プロファイルの画像であり得る。画像は、光キャビティの横空間モードを特徴付け得る。いくつかの実施形態では、測定信号は、受信した光信号の強度を特徴付けるデータであり得る。いくつかの実施形態では、測定信号は、受信した光信号のパワースペクトルを特徴付けるデータであり得る。そのような実施形態では、パワースペクトルは、強度対時間の関数として、受信した光のガウスモードおよび／または非ガウスモードに関する情報を提供し得る。

いくつかの実施形態では、光学システム１１０は、任意選択的に、温度センサ１１８を含み得る。温度センサ１１８は、第１の光キャビティ１１２および／または第２の光キャビティ１１６の温度を測定するように構成され得る。代替的に又は追加的に、温度センサ１１８は、光学システムの環境の温度を測定するように構成され得る。温度センサ１１８は、例えば、熱電対、サーミスタ、デジタル温度センサ、および／または任意の他の好適なタイプの温度センサであり得る。

図１に示すように、ファシリティ１００は、光学システム１１０に通信可能に結合された光学システムコンソール１２０を含む。光学システムコンソール１２０は、命令および／または情報を光学システム１１０に送信し、光学システム１１０から情報を受信し、かつ／または取得された（例えば、検出器１１４から取得された）測定信号を処理するように構成された任意の適切な電子デバイスであり得る。いくつかの実施形態では、光学システムコンソール１２０は、デスクトップコンピュータ、ラックマウントコンピュータ、または任意の他の好適な固定型電子デバイス等の固定型電子デバイスであり得る。代替的に、光学システムコンソール１２０は、光学システム１１０に命令および／または情報を送信し、光学システム１１０から情報を受信し、かつ／または取得した測定信号を処理するように構成され得るラップトップコンピュータ、スマートフォン、タブレットコンピュータ、または任意の他のポータブルデバイス等のポータブルデバイスであり得る。

いくつかの実施形態は、光学システムコンソール１２０上に格納された光キャビティ調整ファシリティ（ｏｐｔｉｃａｌｃａｖｉｔｙｔｕｎｉｎｇｆａｃｉｌｉｔｙ）１２２を含み得る。光キャビティ調整ファシリティ１２２は、ＲＬモデルを使用して（例えば、第１の光キャビティ１１２および／または第２の光キャビティ１１６の光学特性を変更するための）調整パラメータを決定するように構成され得る。光キャビティ調整ファシリティ１２２は、例えば、本明細書で説明されるように、測定信号をＲＬモデルに提供することによって、検出器１１４から取得された測定信号を分析するように構成され得る。光キャビティ調整ファシリティ１２２は、ハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの任意の適切な組み合わせとして実施され得るが、本明細書で提供される開示の態様はこの点において限定されない。図１に示すように、光キャビティ調整ファシリティ１２２は、光学システムコンソール１２０の１つまたは複数のプロセッサによって実行されるソフトウェア（例えば、実行可能命令）において実施されることなどによって、光学システムコンソール１２０において実施され得る。しかしながら、他の実施形態では、光キャビティ調整ファシリティ１２２は、追加的に又は代替的に、図１のシステム１００の１つまたは複数の他の要素において実施され得る。例えば、いくつかの実施形態において、光キャビティ調整ファシリティ１２２は、光学システム１１０において実施され得る。

いくつかの実施形態では、光キャビティ調整ファシリティ１２２は、ＣＮＮモデルを使用することによって測定信号を分析して、測定信号と標準動作信号との間の差を決定し得る。例えば、ＣＮＮモデルは、測定信号（例えば、光キャビティの横空間モードを特徴付ける、光キャビティから出射する光の空間プロファイルの画像）と、ガウス０次モードを含む空間プロファイル画像との間の差を決定することによって、測定信号を分類するように構成され得る。いくつかの実施形態では、ＣＮＮモデルは、測定信号（例えば、強度値および／またはパワースペクトル測定値）と、ガウス０次モードに対応する理想的な強度値および／またはパワースペクトルとの間の差を決定するように構成され得る。ＣＮＮモデルは、測定信号と標準動作信号（例えば、空間プロファイル画像または理想強度値および／または理想パワースペクトル）との間の決定された差に基づいて、調整パラメータを決定し得る。

いくつかの実施形態では、調整パラメータは、第１の光キャビティ１１２および／または第２の光キャビティ１１６のキャビティ壁間の間隔を変更するように構成され得る。例えば、第１の光キャビティ１１２および／または第２の光キャビティ１１６内のキャビティ壁間の間隔を変更することにより、第１の光キャビティ１１２および／または第２の光キャビティ１１６の共振波長が変更され得る。いくつかの実施形態では、第１の光キャビティ１１２および／または第２の光キャビティ１１６のキャビティ壁間の間隔を変更することは、１つまたは複数の圧電アクチュエータを使用すること、および／または第１の光キャビティ１１２および／または第２の光キャビティ１１６の温度を変更することによって行われ得る。

いくつかの実施形態では、調整パラメータは、第１の光キャビティ１１２および／または第２の光キャビティ１１６の１つまたは複数のミラーの反射率を変更するように構成され得る。例えば、第１の光キャビティ１１２および／または第２の光キャビティ１１６の１つまたは複数のミラーの反射率を変更することにより、第１の光キャビティ１１２および／または第２の光キャビティ１１６の透過率が変更され得る。いくつかの実施形態では、第１の光キャビティ１１２および／または第２の光キャビティ１１６の１つまたは複数のミラーの反射率を変更することは、第１の光キャビティ１１２および／または第２の光キャビティ１１６の温度を変更することによって行われ得る。

いくつかの実施形態では、光キャビティ調整ファシリティ１２２のＣＮＮモデルは、光学システムのユーザ１２４による使用の前に訓練され得る。ＣＮＮモデルは、いくつかの実施形態では、キャビティ物理学の理論的シミュレーション（例えば、エルミートガウスモードのシミュレートされた画像、シミュレートされた強度値、および／またはシミュレートされたパワースペクトル）を使用して訓練され得る。代替的または追加的に、ＣＮＮモデルは、物理的光学システムから取得されたデータを使用して訓練され得る。例えば、ＣＮＮモデルは、最初に、理論的シミュレーションを使用して訓練され得、その後、物理的光学システムから取得されたデータに基づいて再び訓練（例えば、微調整）され得る。いくつかの実施形態では、ＣＮＮモデルは、（例えば、アライメントドリフトおよびシステム条件の変更を考慮するために）連続フィードバックおよび自動再訓練によって動作中にさらに調整され得る。

光学システムコンソール１２０は、光学システム１１０の保守を行うために、光学システムのユーザ１２４によってアクセスされ得る。例えば、光学システムのユーザ１２４は、１つまたは複数の命令を光学システムコンソール１２０に入力することによって、光キャビティ調整プロセスを実施し得る（例えば、光学システムのユーザ１２４は、光学システムコンソール１２０を介して光学システム１１０からの更新された測定信号を要求し得る）。代替的または追加的に、いくつかの実施形態では、光学システムのユーザ１２４は、１つまたは複数の命令を光学システムコンソール１２０に入力することによって、周期的な（例えば、規則的な時間間隔または不規則な時間間隔のいずれかで）光キャビティ調整手順を実施し得る。

いくつかの実施形態では、光キャビティ調整ファシリティ１２２は、光学システム１１０が保守を必要とするかどうかを予測することによって、周期的な光キャビティ調整手順を実施し得る。例えば、光キャビティ調整ファシリティ１２２は、環境情報（例えば、温度センサ１１８から取得された温度情報）に基づいて、第１の光キャビティ１１２および／または第２の光キャビティ１１６が保守を必要とするかどうかを予測するように構成され得る。光キャビティ調整ファシリティ１２２は、そのような予測を行うために機械学習技法を使用し得る。例えば、光キャビティ調整ファシリティ１２２は、時系列分析（ＴＳＡ：ｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ）、リカレントニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ）または長期短期記憶ネットワーク（ＬＳＴＭ：ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ）を使用したＴＳＡ、勾配ブーストツリー、および／またはアンサンブルモデルを使用して、光学システム１１０が保守を必要とするかどうかを予測し得る。いくつかの実施形態では、光キャビティ調整ファシリティ１２２は、温度センサ１１８から取得した温度情報を使用して、第１の光キャビティ１１２および／または第２の光キャビティ１１６を通過する光を送ることなく、第１の光キャビティ１１２および／または第２の光キャビティ１１６の温度を動的に変更し得る。

別の例として、いくつかの実施形態では、光キャビティ調整ファシリティ１２２は、閾値透過率値（例えば、９０％超、９５％超）に基づいて、光学システム１１０が保守を必要とするかどうかを予測し得る。このようにして、光キャビティ調整ファシリティ１２２は、そのような自己保守手順のための光学システム１１０のダウンタイムを低減することができる。

図２は、本明細書に記載のいくつかの実施形態による、ＣＮＮモデル及びＲＬモデルを使用して光キャビティを調整する例示的なプロセス２００のフローチャートである。プロセス２００は、図１のファシリティ１２２などの光キャビティ調整ファシリティによって実施され得る。従って、いくつかの実施形態では、プロセス２００は、命令を光学システムに送信し、かつ／または情報を光学システムから受信するように構成されたコンピューティングデバイス（例えば、図１に関連して説明したような光キャビティ調整ファシリティ１２２を実行する光学システムコンソール１２０）によって実行され得る。別の例として、いくつかの実施形態では、プロセス２００は、光学システムから遠隔に（例えば、ネットワークを介して接続されたクラウドコンピューティング環境の一部として）配置された１つまたは複数のプロセッサによって実行され得る。

プロセス２００は、任意選択的に、測定信号が光キャビティ調整ファシリティによって光キャビティから取得され得る動作２０２から開始され得る。いくつかの実施形態では、測定信号は、検出器および／または検出器アレイ（例えば、本明細書において説明された検出器１１４）から取得され得る。測定信号は、例えば、光キャビティから出射する光の測定値（例えば、光の空間プロファイルの画像、強度および／またはパワースペクトルなどの光の特性の測定値）であり得る。

動作２０４において、光キャビティ調整ファシリティは、ＣＮＮモデルおよび／またはＲＬモデルを使用して測定信号を分析することによって、光キャビティの調整パラメータを決定し得る。ＣＮＮモデルは、測定信号と標準動作信号との間の差を決定することによって測定信号を分析し得る。例えば、ＣＮＮモデルは、光キャビティから出射する光の空間プロファイル画像とガウス０次モードの空間プロファイル画像との間の差を特徴付けることができる。次いで、ＲＬモデルは、測定信号と標準動作信号との間の決定された差に基づいて調整パラメータを決定し得る。

いくつかの実施形態では、調整パラメータを決定した後、光キャビティ調整ファシリティは動作２０６に移行し得る。動作２０６において、光キャビティは、調整パラメータを使用して調整され得る。光キャビティ調整ファシリティは、例えば、光キャビティおよび／または光キャビティに接続された制御システムに調整パラメータを送信し得る。いくつかの実施形態において、調整パラメータは、光キャビティのキャビティ壁間の間隔を変更するように設定され得る。例えば、光キャビティ内のキャビティ壁間の間隔を変更することにより、光キャビティの共振波長が変更され得る。いくつかの実施形態では、光キャビティのキャビティ壁間の間隔を変更することは、１つまたは複数の圧電アクチュエータを使用すること、および／または光キャビティの温度を変更することによって行われ得る。

従来の光学フィルタの出力の一例として、図３Ａは、１３００ｎｍダイクロイックフィルタを通過した後の光子ビームのスペクトルパワー分布３０２を示す。スペクトルパワー分布３０２に見られるように、所望の１３００ｎｍ単一光子信号に対応するピーク３０２ａは、スペクトルパワー分布３０２内に存在する。しかしながら、スペクトルパワー分布３０２内には依然として有意なバックグラウンド信号が存在する。

図３Ｂは、スペクトルパワー分布３０２から所望の単一光子信号をさらに分離するために使用され得る、光キャビティ調整ファシリティ１２２からのフィードバックを含む例示的な光学システム３１０を示す。光学システム３１０は、本明細書において図１に関連して説明したような光学システム１１０の例示的な一例である。

いくつかの実施形態では、光学システム３１０は、（例えば、ダイクロイックフィルタまたは吸光度フィルタ（ａｂｓｏｒｂａｎｃｅｆｉｌｔｅｒ）から）入力光信号を受信するように構成された第１のファブリーペローエタロン３１２を含む。第１のファブリーペローエタロン３１２は、第１のフィルタリングステージを提供するように構成され、かつ第１のファブリーペローエタロン３１２のキャビティと共振する波長のみを透過させる。第１のファブリーペローエタロン３１２の出力は、第２のファブリーペローエタロン３１６の入力に結合される。第２のファブリーペローエタロン３１６は、第１のファブリーペローエタロン３１２から受信した光信号をさらにフィルタリングするように構成され、かつ第２のファブリーペローエタロン３１６のキャビティと共振する波長のみを透過させる。第２のファブリーペローエタロン３１６から出力される光信号のパワースペクトル密度３０４が図３Ｃに示されている。パワースペクトル密度３０４は、所望の１３００ｎｍの単一光子信号ピーク３０４ａに対してバックグラウンドノイズの大きな低減を示す。

いくつかの実施形態では、第２のファブリーペローエタロンの出力は、本明細書の図１に関連して説明されるように、検出器１１４に結合される。検出器１１４は、分析のために測定信号を光キャビティ調整ファシリティ１２２に送信する。光キャビティ調整ファシリティ１２２は、測定信号を使用して、第１のファブリーペローエタロン３１２および／または第２のファブリーペローエタロン３１６のパラメータを調整するように構成され得る。例えば、光キャビティ調整ファシリティ１２２は、測定信号に基づいて、第１のファブリーペローエタロン３１２および／または第２のファブリーペローエタロン３１６のキャビティ壁間の距離を調節して、前記エタロン３１２、３１６の光学的挙動を変更すべきであると決定し得る。

本発明者らは、機械学習ベースの技法（例えば、光キャビティ調整ファシリティ１２２）を使用することにより、光学システム３１０などの複雑な光学システムに対してより正確なフィードバックを提供し得ることを認識し、理解した。第１のファブリーペローエタロン３１２および第２のファブリーペローエタロン３１６などの光キャビティの帯域幅が狭くなるにつれて、それらの光学的挙動はますます不安定になる可能性がある。強化学習フィードバックによる機械学習モデルを使用することにより、多くの結合パラメータを有する複雑なシステムの制御が可能となる。

図４は、本明細書に記載されるいくつかの実施形態による、光キャビティを調整するための機械学習モデル４００の例示的なアーキテクチャのブロック図である。機械学習モデル４１０は、いくつかの実施形態において、光キャビティ調整ファシリティ１２２の一部として実施され得る。

いくつかの実施形態では、機械学習モデル４１０は、多数の層を有する畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）であり得る。機械学習モデル４１０は、１つまたは複数の光キャビティ４３０から測定信号４４０を入力として受信し得る。機械学習モデル４１０は、入力測定信号４４０を機械学習モデル４１０の複数の層にわたって通過させて、マルチクラス予測４１５を出力し得る。

いくつかの実施形態では、機械学習モデル４１０は、以下のアーキテクチャ、即ち、
１．２個の畳み込み層、結合型、カーネルサイズ：３×３、ストライド＝１、１６個の特徴
２．最大プール層
３．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、３２個の特徴
４．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、３２個の特徴
５．最大プール層
６．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、６４個の特徴
７．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、６４個の特徴
８．最大プール
９．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、６４個の特徴
１０．深さ方向分離可能畳み込み層、カーネルサイズ：３×３、ストライド＝２、６４個の特徴
１１．１次元ベクトルへの平坦化
１２．６４個の特徴に対する全結合層
１３．９個の特徴に対する全結合層
１４．ソフトマックス層、を有する２次元ＣＮＮとして実施され得る。

上記のニューラルネットワークアーキテクチャは単なる例であり、本明細書で説明する技術の態様はこの点において限定されないので、機械学習モデル４１０は、任意の他の適切なアーキテクチャを有し得ることを理解されたい。

いくつかの実施形態では、強化学習アルゴリズム４２０は、マルチクラス予測４１５を使用して、１つまたは複数の光キャビティ４３０を調整するために、もしあるのであれば、１つまたは複数の光キャビティ４３０のどのパラメータを変更すべきかを決定し得る。例示的な強化学習（ＲＬ）アルゴリズム５００の概略図が図５に示されている。ＲＬアルゴリズムは、適切な報酬メトリックを環境状態に割り当て、その後、報酬を最大化するためのアクションをとることによって機能する。ＲＬアルゴリズム５００には、環境５２０によって初期環境状態ｓ_０が提供される。エージェント５１０は、学習されたポリシーπ_θに従って、報酬ｒ_０を最大化するアクションａをとる。アクションａは環境の状態をｓ_１に変更し、報酬ｒ_０が計算され、ポリシーπ_θを訓練するためにエージェントに提供される。

いくつかの実施形態では、光キャビティアライメントのコンテキストにおいて、報酬ｒ_０は、１つまたは複数の光キャビティからの出力ビーム品質の関数として定義され得る。出力ビーム品質の評価は、機械学習モデル４１０によって実行され、機械学習モデル４１０は、測定信号４４０を分析し、マルチクラス予測４１５の形態で強化学習アルゴリズム４２０に評価を提供する。

図６Ａおよび図６Ｂは、本明細書に記載されるいくつかの実施形態による、例示的な機械学習モデル（例えば、機械学習モデル４１０）に関して得られた正解率および損失データを示す。図６Ａにおいて、検証中のモデル正解率は曲線６０２として示され、訓練中のモデル正解率は曲線６０４として示される。図６Ｂにおいて、検証中のモデル損失は曲線６０６として示され、訓練中のモデル損失は曲線６０８として示される。光学モードによるテストセットの画像に対するモデル性能を表１に示す。図６Ｃは、本明細書に説明されるいくつかの実施形態による、図６Ａおよび図６Ｂの機械学習モデルに訓練および試験データとして提供される例示的なエルミートガウス光学モードを示す。

機械学習モデルを、光キャビティの出力で捕捉された実験ビームモードの５０００を超える（３００×３００）グレースケールの８ビット画像の訓練データセットを使用して訓練した。これらの画像を、７個の畳み込み層、２個の全結合層、３個の最大プーリング層、および１個のソフトマックス層を含む２次元ＣＮＮに入力した。最大プーリング層を、畳み込み層１、３、および５の後に設定した。畳み込み層で０．２、全結合層で０．５の比率で、ＣＮＮをドロップアウトを使用して正則化した。学習率減衰を有する確率的最適化アルゴリズムのアダム（Ａｄａｍ）を使用して訓練を行った。勾配消滅を抑制するために、リーキー正規化線形ユニット（ＬｅａｋｙＲｅｃｔｉｆｉｅｄＬｉｎｅａｒＵｎｉｔ）活性化関数を使用した。いくつかの実施形態では、ソーティング（ｓｏｒｔｉｎｇ）は、ＲＬモデルによって実行され得ることを理解されたい。そのような実施形態では、ソーティングは、現在の位置と受信光のＴＥＭ_００光学モードを生成した位置との間で光キャビティのミラーマウントを駆動する圧電モータによって取られるステップの数に基づいて行われ得る。

結果は、このモデルがモード組成の推定値を正確に提供することができることを示している。モデルは、モデルが７５％の感度を達成したガウスＨＧモードクラスを除き、全てのクラスについてホールドアウトセット上で９０％を超える感度を達成した。

表１テストセット上でのモデル性能
本明細書で説明される原理に従って動作する技法は、任意の適切な方法で実施され得る。上記の説明には、光キャビティを調整するための様々なプロセスのステップおよび動作を示す一連のフローチャートが含まれている。上記のフローチャートの処理および決定ブロックは、これらの様々なプロセスを実行するアルゴリズムに含まれ得るステップおよび動作を表す。これらのプロセスから導出されるアルゴリズムは、１つまたは複数の単一目的または多目的プロセッサと統合され、その動作を指示するソフトウェアとして実施されてもよく、デジタル信号処理（ＤＳＰ）回路または特定用途向け集積回路（ＡＳＩＣ）等の機能的に等価な回路として実施され得るか、または任意の他の好適な方法で実施され得る。本明細書に含まれるフローチャートは、任意の特定の回路の、または任意の特定のプログラミング言語もしくはプログラミング言語のタイプのシンタックスまたは動作を描写したものではないことを理解されたい。むしろ、フローチャートは、当業者が回路を製造するために、またはコンピュータソフトウェアアルゴリズムを実施して、本明細書で説明するタイプの技法を実行する特定の装置の処理を実行するために使用することができる機能的情報を示す。また、本明細書において別段の指示がない限り、各フローチャートにおいて説明されるステップおよび／または動作の特定のシーケンスは、実施され得るアルゴリズムの単なる例示であり、本明細書において説明される原理の実施および実施形態において変更され得ることを理解されたい。

従って、いくつかの実施形態では、本明細書で説明される技法は、アプリケーションソフトウェア、システムソフトウェア、ファームウェア、ミドルウェア、埋め込みコード、または任意の他の好適なタイプのコンピュータコードを含む、ソフトウェアとして実施されるコンピュータ実行可能命令において具現化され得る。そのようなコンピュータ実行可能命令は、いくつかの適切なプログラミング言語および／またはプログラミングツールもしくはスクリプティングツールのいずれかを使用して書かれてもよく、かつフレームワークまたは仮想マシン上で実行される実行可能機械語コードまたは中間コードとしてコンパイルされ得る。

本明細書で説明される技法がコンピュータ実行可能命令として具現化される場合、これらのコンピュータ実行可能命令は、これらの技法に従って動作するアルゴリズムの実行を完了するための１つまたは複数の動作を各々が提供する多数の機能的ファシリティ（ａｎｕｍｂｅｒｏｆｆｕｎｃｔｉｏｎａｌｆａｃｉｌｉｔｉｅｓ）を含む、任意の好適な方法で実施され得る。「機能的ファシリティ」は、どのようにインスタンス化されたとしても、１つまたは複数のコンピュータと統合され、それによって実行されるときに、１つまたは複数のコンピュータに特定の動作上の役割を実行させるコンピュータシステムの構造的構成要素である。機能的ファシリティは、ソフトウェア要素の一部または全体であり得る。例えば、機能的ファシリティは、プロセスの機能として、または別個のプロセスとして、または任意の他の適切な処理単位として実装され得る。本明細書で説明される技法が複数の機能的ファシリティとして実施される場合、各機能的ファシリティは、独自の方法で実施されてもよく、全てが同じ方法で実施される必要はない。さらに、これらの機能的ファシリティは、必要に応じて並列および／または直列に実行することができ、メッセージパッシングプロトコルを使用して、または任意の他の適切な方法で、それらが実行されている１つまたは複数のコンピュータ上の共有メモリを使用して、互いの間で情報を渡すことができる。

一般に、機能的ファシリティは、特定のタスクを実行するか、または特定の抽象データタイプを実施するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。典型的には、機能的ファシリティの機能性は、それらが動作するシステムにおいて所望されるように組み合わせられてもよく、または分散され得る。いくつかの実施形態では、本明細書の技法を実行する１つまたは複数の機能的ファシリティは、完全なソフトウェアパッケージを共に形成することができる。これらの機能的ファシリティは、代替実施形態では、ソフトウェアプログラムアプリケーションを実施するために、他の無関係な機能的ファシリティおよび／またはプロセスと対話するように適合され得る。他の実施形態では、機能的ファシリティは、英国ロンドン市に拠点を置くカノニカル社（ＣａｎｏｎｉｃａｌＬｔｄ．）が開発したＬｉｎｕｘ（登録商標）ディストリビューションであるウブントゥ（Ｕｂｕｎｔｕ）オペレーティングシステム、またはワシントン州レドモンドのマイクロソフト社（Ｍｉｃｒｏｓｏｆｔ（登録商標）Ｃｏｒｐｏｒａｔｉｏｎ）から入手可能なウィンドウズ（Ｗｉｎｄｏｗｓ（登録商標））オペレーティングシステムを含むオペレーティングシステムを形成するように他の機能的ファシリティと対話するように適合され得る。言い換えれば、いくつかの実施形態では、機能的ファシリティは、代替的に、オペレーティングシステムの一部として、またはオペレーティングシステムの外部に実装され得る。

本明細書では、１つまたは複数のタスクを実行するためのいくつかの例示的な機能的ファシリティについて説明してきた。しかしながら、説明される機能的ファシリティおよびタスクの区分は、本明細書で説明される例示的な技法を実施することができるタイプの機能的ファシリティの単なる例示であり、実施形態は、任意の特定の数、区分、またはタイプの機能的ファシリティで実施されることに限定されないことを理解されたい。いくつかの実施形態では、全ての機能は、単一の機能的ファシリティにおいて実施され得る。いくつかの実施形態では、本明細書で説明する機能的ファシリティのうちのいくつかは、他のものと共にまたは別個に（即ち、単一のユニットまたは別個のユニットとして）実装され得るか、あるいはこれらの機能的ファシリティのうちのいくつかは実装されなくてもよいことも理解されたい。

本明細書で説明される技法を実施するコンピュータ実行可能命令（１つまたは複数の機能的ファシリティとして、または任意の他の方法で実施される場合）は、いくつかの実施形態では、媒体に機能性を提供するために、１つまたは複数のコンピュータ可読媒体上でコード化され得る。コンピュータ可読媒体は、ハードディスクドライブなどの磁気媒体、コンパクトディスク（ＣＤ）もしくはデジタル多用途ディスク（ＤＶＤ）などの光媒体、永続的もしくは非永続的ソリッドステートメモリ（例えば、フラッシュメモリ、磁気ＲＡＭなど）、または任意の他の適切な記憶媒体を含む。そのようなコンピュータ可読媒体は、以下で説明される図７のコンピュータ可読記憶媒体７０６として（即ち、コンピューティングデバイス７００の一部として）、またはスタンドアロンの別個の記憶媒体としてなど、任意の適切な方法で実施され得る。本明細書で使用される場合、「コンピュータ可読媒体」（「コンピュータ可読記憶媒体」とも呼ばれる）は、有形記憶媒体を指す。有形記憶媒体は、非一時的であり、かつ少なくとも１つの物理的、構造的構成要素を有する。本明細書で使用される「コンピュータ可読媒体」において、少なくとも１つの物理的、構造的構成要素は、埋め込まれた情報を有する媒体を作成するプロセス、媒体上に情報を記録するプロセス、または情報を有する媒体をコード化する任意の他のプロセス中に何らかの方法で変更され得る少なくとも１つの物理的特性を有する。例えば、コンピュータ可読媒体の物理的構造の一部の磁化状態は、記録プロセス中に変更され得る。

本技法がコンピュータ実行可能命令として具現化され得る、全てではないが、いくつかの実施形態では、これらの命令は、図７の例示的なコンピュータシステムを含む、任意の好適なコンピュータシステム内で動作する１つまたは複数の好適なコンピューティングデバイス上で実行され得るか、または１つまたは複数のコンピューティングデバイス（または１つまたは複数のコンピューティングデバイスの１つまたは複数のプロセッサ）がコンピュータ実行可能命令を実行するようにプログラムされ得る。コンピューティングデバイスまたはプロセッサは、命令がデータストア（例えば、オンチップキャッシュまたは命令レジスタ、バスを介してアクセス可能なコンピュータ可読記憶媒体、１つまたは複数のネットワークを介してアクセス可能であり、かつデバイス／プロセッサによってアクセス可能なコンピュータ可読記憶媒体など）など、コンピューティングデバイスまたはプロセッサがアクセス可能な方法で保存されたときに、命令を実行するようにプログラムされ得る。これらのコンピュータ実行可能命令を含む機能的ファシリティは、単一の多目的プログラマブルデジタルコンピューティングデバイス、処理能力を共有し、かつ本明細書で説明される技法を共同で実行する２つ以上の多目的コンピューティングデバイスの協調システム、本明細書で説明される技法の実行専用の単一のコンピューティングデバイスまたはコンピューティングデバイスの協調システム（共同設置または地理的に分散）、本明細書で説明される技法を実行するための１つまたは複数のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、および／または１つまたは複数のグラフィックス処理ユニット（ＧＰＵ）もしくは任意の他の適切なシステムと統合され、その動作を指示し得る。

図７は、本明細書で説明される技法を実施するシステムにおいて使用され得るコンピューティングデバイス７００の形態のコンピューティングデバイスの１つの例示的な実施形態を示すが、他のものも可能である。図７は、コンピューティングデバイスが本明細書に記載の原理に従って光学システムのコンソールとして動作するために必要な構成要素の描写であることも、包括的な描写であることも意図されていないことを理解されたい。

コンピューティングデバイス７００は、少なくとも１つのプロセッサ７０２、ネットワークアダプタ７０４、およびコンピュータ可読記憶媒体７０６を備え得る。コンピューティングデバイス７００は、例えば、デスクトップもしくはラップトップパーソナルコンピュータ、携帯情報端末（ＰＤＡ）、スマートモバイルフォン、サーバ、ワイヤレスアクセスポイントもしくは他のネットワーキング要素、または任意の他の好適なコンピューティングデバイスであり得る。ネットワークアダプタ７０４は、コンピューティングデバイス７００が任意の適切なコンピューティングネットワークを介して任意の他の適切なコンピューティングデバイスと有線および／または無線で通信することを可能にする任意の適切なハードウェアおよび／またはソフトウェアであり得る。コンピューティングネットワークは、無線アクセスポイント、スイッチ、ルータ、ゲートウェイ、および／または他のネットワーキング機器、ならびにインターネットを含む、２つ以上のコンピュータ間でデータを交換するための任意の好適な有線および／または無線通信媒体を含み得る。コンピュータ可読媒体７０６は、処理されるべきデータおよび／またはプロセッサ７０２によって実行されるべき命令を保存するように適合され得る。プロセッサ７０２は、データの処理および命令の実行を可能にする。データおよび命令は、コンピュータ可読記憶媒体７０６上に保存され得る。

コンピュータ可読記憶媒体７０６に保存されたデータおよび命令は、本明細書で説明する原理に従って動作する技法を実施するコンピュータ実行可能命令を含み得る。図７の例では、コンピュータ可読記憶媒体７０６は、上述したような様々なファシリティを実施し、様々な情報を保存するコンピュータ実行可能命令を保存する。コンピュータ可読記憶媒体７０６は、光キャビティ調整ファシリティ７０７および／または１つまたは複数の光キャビティから取得された測定信号を保存し得る。

図７には示されていないが、コンピューティングデバイスは、入力デバイスおよび出力デバイスを含む１つまたは複数のコンポーネントおよび周辺機器をさらに有し得る。これらのデバイスは、とりわけ、ユーザインタフェースを提示するために使用することができる。ユーザインタフェースを提供するために使用され得る出力デバイスの例は、出力の視覚的提示のためのプリンタまたはディスプレイスクリーン、および出力の可聴提示のためのスピーカまたは他の音声生成デバイスを含む。ユーザインタフェースに使用することができる入力デバイスの例には、キーボード、ならびにマウス、タッチパッド、およびデジタイジングタブレットなどのポインティングデバイスが含まれる。別の例として、コンピューティングデバイスは、音声認識を通じて、または他の可聴フォーマットで入力情報を受信することができる。

技法が回路および／またはコンピュータ実行可能命令において実施される実施形態を説明してきた。いくつかの実施形態は、少なくとも１つの例が提供される方法の形態であり得ることを理解されたい。方法の一部として実行される動作は、任意の適切な方法で順序付けられ得る。従って、例示的な実施形態では連続した動作として示されているが、いくつかの動作を同時に実行することを含み得る、図示されたものとは異なる順序で動作が実行される実施形態が構築され得る。

上述の実施形態の様々な態様は、単独で、組み合わせて、または前述の実施形態で具体的に説明されていない様々な構成で使用することができ、従って、その適用において、前述の説明に記載された、または図面に示された構成要素の詳細および構成に限定されない。例えば、一実施形態に記載された態様は、他の実施形態に記載された態様と任意の方法で組み合わせることができる。

特許請求の範囲における構成要素を修飾するための「第１」、「第２」、「第３」などの序数用語の使用は、それ自体では、ある請求項の構成要素の別の請求項の構成要素に対する任意の優先度、優先順位、もしくは順序、または方法の動作が実行される時間的順序を暗示するものではなく、単に、ある名称を有するある請求項の構成要素を、同じ名称を有する別の構成要素から区別するためのラベル（序数用語の使用に関する）として使用される。

また、本明細書で使用される表現および用語は、説明のためのものであり、限定するものと見なされるべきではない。本明細書における「含む（ｉｎｃｌｕｄｉｎｇ）」、「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「有する（ｈａｖｉｎｇ）」、「含有する（ｃｏｎｔａｉｎｉｎｇ）」、「伴う（ｉｎｖｏｌｖｉｎｇ）」およびそれらの変形の使用は、その後に列挙される項目およびそれらの均等物ならびに追加の項目を包含することを意味する。

「例示的」という語は、本明細書では、例、事例、または例示としての役割があることを意味するために使用される。従って、例示的なものとして本明細書で説明される任意の実施形態、実装形態、プロセス、特徴などは、説明のための例であると理解されるべきであり、別段の指示がない限り、好ましいまたは有利な例であると理解されるべきではない。

少なくとも１つの実施形態のいくつかの態様をこのように説明してきたが、様々な変更、修正、および改良が当業者に容易に想起されることを理解されたい。そのような変更、修正、および改良は、本開示の一部であることが意図され、本明細書で説明される原理の趣旨および範囲内にあることが意図される。従って、前述の説明および図面は、例示に過ぎない。
以下に、上記実施形態から把握できる技術思想を付記として記載する。
［付記１］
光キャビティを調整する方法であって、
前記光キャビティの調整パラメータを決定するステップであって、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定すること、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて前記調整パラメータを決定すること、を含む前記調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含む、方法。
［付記２］
前記ミスアライメントの程度を決定することは、前記ＣＮＮモデルを使用して、前記測定信号と標準動作信号との間の差を決定することを含む、付記１に記載の方法。
［付記３］
前記測定信号と前記標準動作信号との間の差を決定することは、前記測定信号とガウス０次モードを含む空間プロファイル画像との間の差を決定することを含む、付記２に記載の方法。
［付記４］
前記調整パラメータを決定するステップは、前記ＲＬモデルを使用して前記調整パラメータを生成することを含み、前記調整パラメータは、前記測定信号と前記標準動作信号との間の決定された差に基づく、付記３に記載の方法。
［付記５］
機械学習モデルを使用して、閾値透過率値に基づいて前記光キャビティの前記調整パラメータを決定する時期を決定するステップをさらに含む、付記４に記載の方法。
［付記６］
前記閾値透過率値が９０％の透過率である、付記５に記載の方法。
［付記７］
前記光キャビティの温度測定値および／または前記光キャビティの環境の温度測定値に基づいて、前記光キャビティの前記調整パラメータを決定する時期を決定するステップをさらに含み、前記温度測定値は温度センサから取得される、付記４に記載の方法。［付記８］
前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティのキャビティ壁間の間隔を変更することを含む、付記４に記載の方法。
［付記９］
前記光キャビティの前記キャビティ壁間の間隔を変更することは、前記光キャビティの温度を変更することを含む、付記８に記載の方法。
［付記１０］
前記光キャビティの前記キャビティ壁間の間隔を変更することは、圧電アクチュエータを使用することを含む、付記８に記載の方法。
［付記１１］
前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティの１つまたは複数のミラーの反射率を変更することを含む、付記４に記載の方法。
［付記１２］
前記１つまたは複数のミラーの反射率を変更することは、前記光キャビティの温度を変更することを含む、付記１１に記載の方法。
［付記１３］
前記測定信号を分析することは、前記光キャビティから出射する光の測定値を分析することを含む、付記３に記載の方法。
［付記１４］
前記光キャビティから出射する光の方向に垂直な平面内に配置された２次元検出器アレイを使用して、光の測定値を捕捉するステップをさらに含む、付記１３に記載の方法。
［付記１５］
前記光の測定値を捕捉するステップは、前記光キャビティから出射する光の空間プロファイルを捕捉することを含む、付記１４に記載の方法。
［付記１６］
前記光キャビティから出射する光の空間プロファイルを捕捉することは、前記光キャビティの横空間モードを特徴付ける情報を捕捉することを含む、付記１５に記載の方法。
［付記１７］
光検出器を使用して光の測定値を捕捉するステップをさらに含む、付記１４に記載の方法。
［付記１８］
前記光の測定値を捕捉するステップは、前記光検出器を使用して光の強度および／またはパワースペクトルを捕捉することを含む、付記１７に記載の方法。
［付記１９］
物理モデルに基づいて生成された１組の画像および／または前記光キャビティの制御されたパラメータ探索によって生成された１組の画像を使用して前記ＣＮＮモデルを訓練するステップをさらに含む、付記８に記載の方法。
［付記２０］
前記光キャビティから測定信号を周期的に取得するステップと、前記ＣＮＮモデルを使用して前記測定信号を分類するステップと、前記ＲＬモデルを使用して前記光キャビティの調整パラメータを決定するステップと、前記光キャビティを調整するステップとをさらに含む、付記８に記載の方法。
［付記２１］
前記ＣＮＮモデルを使用して、確率的最適化アルゴリズムを使用して前記測定信号をソーティングするステップをさらに含む、付記１に記載の方法。
［付記２２］
確率的最適化アルゴリズムを使用して前記測定信号をソーティングする前記ステップは、アダムアルゴリズムを使用することを含む、付記２１に記載の方法。
［付記２３］
前記ＲＬモデルを使用して、前記測定信号をソーティングするステップをさらに含む、付記１に記載の方法。
［付記２４］
前記ＲＬモデルを使用してソーティングするステップは、現在の位置とＴＥＭ _００光学モードを生成する位置との間で前記光キャビティのミラーマウントを駆動する圧電アクチュエータによって取られるステップの数を使用して前記測定信号をソーティングすることを含む、付記２３に記載の方法。
［付記２５］
前記ＣＮＮモデルを使用することは、７個の畳み込み層、２個の全結合層、３個の最大プーリング層、１個または複数個のＲｅＬＵ活性化層、および１個のソフトマックス活性化層を含むアーキテクチャを有するＣＮＮモデルを使用することを含む、付記１に記載の方法。
［付記２６］
２つ以上の光キャビティを調整する方法であって、
第１の光キャビティに関連付けられた第１の調整パラメータおよび第２の光キャビティに関連付けられた第２の調整パラメータを決定するステップであって、畳み込みニューラルネットワーク（ＣＮＮ）モデルおよび強化学習（ＲＬ）モデルを使用して、前記第２の光キャビティから取得された測定信号を分析することを含む、前記第１および第２の調整パラメータを決定するステップと、
前記第１および第２の調整パラメータを使用して前記第１および第２の光キャビティを調整するステップと、を含む方法。
［付記２７］
光学システムであって、
光キャビティと、
前記光キャビティに結合された少なくとも１つのプロセッサと、
コンピュータ実行可能命令を保存する少なくとも１つのコンピュータ可読記憶媒体と、を備え、前記コンピュータ実行可能命令は、前記少なくとも１つのプロセッサによる実行時に、前記少なくとも１つのプロセッサに、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含む方法を実行させる、光学システム。
［付記２８］
前記測定信号を分析することは、前記ＣＮＮモデルを使用して、前記測定信号と標準動作信号との間の差を決定することを含む、付記２７に記載の光学システム。
［付記２９］
前記測定信号と前記標準動作信号との間の差を決定することは、前記測定信号とガウス０次モードを含む空間プロファイル画像との間の差を決定することを含む、付記２８に記載の光学システム。
［付記３０］
前記調整パラメータを決定するステップは、前記ＲＬモデルを使用して前記調整パラメータを生成することを含み、前記調整パラメータは、前記測定信号と前記ＣＮＮモデルによって決定された前記標準動作信号との間の差に基づく、付記２９に記載の光学システム。
［付記３１］
前記光キャビティは、高フィネス光キャビティを含む、付記２７に記載の光学システム。
［付記３２］
前記高フィネス光キャビティは、１００以上２０，０００以下のフィネス値を有する光キャビティを含む、付記３１に記載の光学システム。
［付記３３］
前記高フィネス光キャビティは、ファブリーペローエタロンを含む、付記３２に記載の光学システム。
［付記３４］
前記光キャビティは、平坦、凹状、凸状、又はこれらの組み合わせである表面を含むキャビティ壁を含む、付記３２に記載の光学システム。
［付記３５］
前記表面が反射コーティングを含む、付記３４に記載の光学システム。
［付記３６］
前記光キャビティから出射する光の方向に垂直な平面に配置された検出器をさらに備える、付記２７に記載の光学システム。
［付記３７］
前記検出器が、２５６×２５６ピクセルより大きい解像度を有する検出器アレイを含む、付記３６に記載の光学システム。
［付記３８］
前記測定信号は、前記検出器による、前記光キャビティから出射する光の測定から取得される、付記３６に記載の光学システム。
［付記３９］
前記測定信号は、前記光キャビティから出射する前記光の空間プロファイルの画像であり、前記画像は、前記光キャビティの横空間モードを特徴付けるものである、付記３８に記載の光学システム。
［付記４０］
コンピュータ実行可能命令がコード化された少なくとも１つのコンピュータ可読記憶媒体であって、前記コンピュータ実行可能命令は、コンピュータによる実行時に、前記コンピュータに、
畳み込みニューラルネットワーク（ＣＮＮ）モデルを使用して、光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、
強化学習（ＲＬ）モデルを使用して、前記ミスアライメントの程度に基づいて調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含む方法を実行させる、少なくとも１つのコンピュータ可読記憶媒体。

Claims

光キャビティを調整する方法であって、
前記光キャビティの調整パラメータを決定するステップであって、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定すること、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて前記調整パラメータを決定すること、を含む前記調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含み、前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティの１つまたは複数のミラーの反射率を変更することを含む、方法。
前記ミスアライメントの程度を決定することは、前記ＣＮＮモデルを使用して、前記測定信号と、ガウス０次モードを含む空間プロファイル画像を含む標準動作信号との間の差を決定することを含む、請求項１に記載の方法。
前記調整パラメータを決定するステップは、前記ＲＬモデルを使用して前記調整パラメータを生成することを含み、前記調整パラメータは、前記測定信号と前記標準動作信号との間の決定された差に基づく、請求項２に記載の方法。
光キャビティを調整する方法であって、
前記光キャビティの調整パラメータを決定するステップであって、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定すること、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて前記調整パラメータを決定すること、を含む前記調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、
機械学習モデルを使用して、閾値透過率値に基づいて、および／または前記光キャビティの温度測定値および／または前記光キャビティの環境の温度測定値に基づいて、前記光キャビティの前記調整パラメータを決定する時期を決定するステップと、を含む、方法。
前記調整パラメータを使用して前記光キャビティを調整するステップは、前記光キャビティの温度を変更することによって、および／または圧電アクチュエータを使用して前記光キャビティのキャビティ壁間の間隔を変更することによって、前記調整パラメータに基づいて前記キャビティ壁間の間隔を変更することを含む、請求項３に記載の方法。
光キャビティを調整する方法であって、
前記光キャビティの調整パラメータを決定するステップであって、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定すること、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて前記調整パラメータを決定すること、を含む前記調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含み、前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティの温度を変更することによって前記光キャビティの１つまたは複数のミラーの反射率を変更することを含む、方法。
前記測定信号を分析することは、前記光キャビティから出射する光の測定値を分析することを含み、前記光の測定値は、前記光キャビティから出射する光の空間プロファイルを含む、請求項２に記載の方法。
前記光キャビティから出射する前記光の空間プロファイルは、前記光キャビティの横空間モードを特徴付ける情報を含む、請求項７に記載の方法。
光検出器を使用して光の測定値を捕捉するステップをさらに含み、前記光の測定値を捕捉するステップは、前記光検出器を使用して光の強度および／またはパワースペクトルを捕捉することを含む、請求項７に記載の方法。
物理モデルに基づいて生成された１組の画像および／または前記光キャビティの制御されたパラメータ探索によって生成された１組の画像を使用して前記ＣＮＮモデルを訓練するステップをさらに含む、請求項５に記載の方法。
前記光キャビティから測定信号を周期的に取得するステップと、前記ＣＮＮモデルを使用して前記測定信号を分類するステップと、前記ＲＬモデルを使用して前記光キャビティの調整パラメータを決定するステップと、前記光キャビティを調整するステップとをさらに含む、請求項５に記載の方法。
前記ＣＮＮモデルを使用して、アダムアルゴリズムを含む確率的最適化アルゴリズムを使用して前記測定信号をソーティングするステップをさらに含む、請求項１に記載の方法。
前記ＲＬモデルと、現在の位置とＴＥＭ_００光学モードを生成する位置との間で前記光キャビティのミラーマウントを駆動する圧電アクチュエータによって取られるステップの数とを使用して、前記測定信号をソーティングするステップをさらに含む、請求項１に記載の方法。
前記ＣＮＮモデルを使用することは、７個の畳み込み層、２個の全結合層、３個の最大プーリング層、１個または複数個のＲｅＬＵ活性化層、および１個のソフトマックス活性化層を含むアーキテクチャを有するＣＮＮモデルを使用することを含む、請求項１に記載の方法。
光学システムであって、
光キャビティと、
前記光キャビティに結合された少なくとも１つのプロセッサと、
コンピュータ実行可能命令を保存する少なくとも１つのコンピュータ可読記憶媒体と、を備え、前記コンピュータ実行可能命令は、前記少なくとも１つのプロセッサによる実行時に、前記少なくとも１つのプロセッサに、
畳み込みニューラルネットワーク（以下、ＣＮＮとする）モデルを使用して、前記光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、
強化学習（以下、ＲＬとする）モデルを使用して、前記ミスアライメントの程度に基づいて調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含む方法を実行させ、前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティの１つまたは複数のミラーの反射率を変更することを含む、光学システム。
前記測定信号を分析することは、前記ＣＮＮモデルを使用して、前記測定信号と、前記測定信号とガウス０次モードを含む空間プロファイル画像を含む標準動作信号との間の差を決定することを含む、請求項１５に記載の光学システム。
前記調整パラメータを決定するステップは、前記ＲＬモデルを使用して前記調整パラメータを生成することを含み、前記調整パラメータは、前記測定信号と前記ＣＮＮモデルによって決定された前記標準動作信号との間の差に基づく、請求項１６に記載の光学システム。
前記光キャビティは、高フィネス光キャビティを含み、前記高フィネス光キャビティは、１００以上２０，０００以下のフィネス値を有する光キャビティを含む、請求項１５に記載の光学システム。
前記高フィネス光キャビティは、ファブリーペローエタロンを含む、請求項１８に記載の光学システム。
前記光キャビティは、平坦、凹状、凸状、又はこれらの組み合わせである表面を含むキャビティ壁を含み、前記表面が反射コーティングを含む、請求項１８に記載の光学システム。
前記光キャビティから出射する光の方向に垂直な平面に配置された検出器をさらに備え、前記測定信号は、前記検出器による、前記光キャビティから出射する光の測定から取得され、前記測定信号は、前記光キャビティから出射する前記光の空間プロファイルの画像であり、前記画像は、前記光キャビティの横空間モードを特徴付けるものである、請求項１５に記載の光学システム。
コンピュータ実行可能命令がコード化された少なくとも１つのコンピュータ可読記憶媒体であって、前記コンピュータ実行可能命令は、コンピュータによる実行時に、前記コンピュータに、
畳み込みニューラルネットワーク（ＣＮＮ）モデルを使用して、光キャビティから取得された測定信号を分析して、ミスアライメントの程度を決定するステップと、
強化学習（ＲＬ）モデルを使用して、前記ミスアライメントの程度に基づいて調整パラメータを決定するステップと、
前記調整パラメータを使用して前記光キャビティを調整するステップと、を含む方法を実行させ、前記調整パラメータを使用して前記光キャビティを調整するステップは、前記調整パラメータに基づいて前記光キャビティの１つまたは複数のミラーの反射率を変更することを含む、少なくとも１つのコンピュータ可読記憶媒体。