强场飞秒激光作用于原子时，原子中的电子除了发生多光子电离、隧穿电离等过程外，还有很大的概率处于高激发态。这种高激发态的原子在超强超短激光场中非常稳定，并且与强场中的其它许多现象密切相关，例如，中性粒子加速、多光子拉比振荡、近阈值谐波辐射等，因此近十几年来是强场超快物理领域的研究热点之一。在这些研究中，强激光场中里德堡原子的产生机制、激光对里德堡态的调控、里德堡态强场电离及稳定性等，是关注的主要问题。本文将概述强激光驱动的里德堡态的产生机制，包括多光子共振激发，受挫隧穿电离等。重点介绍强激光场驱动的里德堡态原子激发过程中的多种干涉现象。这些干涉现象提供了里德堡原子强场激发的动态过程信息。同时，还将介绍激发态原子在强激光场中的电离过程，特别是圆偏光驱动的里德堡原子电离的圆二色性。

为了使2.16 m望远镜具备线偏振测光观测能力，开展了偏振光度计研制。该系统采用双通道分时偏振成像方案，具有偏振定标单元、偏振测量单元，可实现偏振定标、偏振测量和多色测光。完成系统研制后，将其安装在2.16 m望远镜上开展实测，依照该偏振光度计偏振观测流程拍摄了一系列非偏振标准星、偏振标准星、流量标准星；按照偏振定标和偏振态解算数据处理方法，对获取图像进行数据处理。结果显示：该偏振光度计视场为4.63′×4.63′，像元比例尺为0.54 (″)/pixel，偏振度测量精度优于0.01，60 s曝光时间可以拍摄到V波段信噪比约为141的15.3等星。该偏振光度计使2.16 m望远镜具备V波段线偏振测光和快速多色测光观测能力。

We proposed and experimentally demonstrated a simple and novel photonic spiking neuron based on a distributed feedback (DFB) laser chip with an intracavity saturable absorber (SA). The DFB laser with an intracavity SA (DFB-SA) contains a gain region and an SA region. The gain region is designed and fabricated by the asymmetric equivalent π-phase shift based on the reconstruction-equivalent-chirp technique. Under properly injected current in the gain region and reversely biased voltage in the SA region, periodic self-pulsation was experimentally observed due to the Q-switching effect. The self-pulsation frequency increases with the increase of the bias current and is within the range of several gigahertz. When the bias current is below the self-pulsation threshold, neuronlike spiking responses appear when external optical stimulus pulses are injected. Experimental results show that the spike threshold, temporal integration, and refractory period can all be observed in the fabricated DFB-SA chip. To numerically verify the experimental findings, a time-dependent coupled-wave equation model was developed, which described the physics processes inside the gain and SA regions. The numerical results agree well with the experimental measurements. We further experimentally demonstrated that the weighted sum output can readily be encoded into the self-pulsation frequency of the DFB-SA neuron. We also benchmarked the handwritten digit classification task with a simple single-layer fully connected neural network. By using the experimentally measured dependence of the self-pulsation frequency on the bias current in the gain region as an activation function, we can achieve a recognition accuracy of 92.2%, which bridges the gap between the continuous valued artificial neural networks and spike-based neuromorphic networks. To the best of our knowledge, this is the first experimental demonstration of a photonic integrated spiking neuron based on a DFB-SA, which shows great potential to realizing large-scale multiwavelength photonic spiking neural network chips.

激光诱导击穿光谱(LIBS)以激光诱导微等离子体的原子发射为技术特征, 在科研与工业领域正得到重视与蓬勃发展。 作为环境气体的氩气对等离子体演化过程中粒子的碰撞过程有重要影响, 决定着LIBS技术分析性能的发挥。 利用光谱诊断技术深入研究LIBS技术条件下氩气的光谱特征, 对于提升LIBS技术及其应用水平具有重要的意义。 利用中阶梯光栅光谱仪记录时间序列光谱信息研究了瞬态Ar等离子体碰撞和衰减过程, 包括等离子体演化过程中的辐射机制和等离子体电子数密度及温度的时间演化特征。 结果表明, 在激光与氩气相互作用的初始阶段, 光谱主要由连续辐射组成, 在0.6 μs后, 光谱开始主要由氩原子、 离子的离散跃迁辐射谱线组成。 氩原子线和离子线的演化周期不同, 在0~1.0 μs延迟时间内离子线占主导, 在1.0~30 μs原子线占主导。 利用Stark展宽, Saha-Boltzmann曲线方程对60, 80和100 mJ脉冲激光能量激发下的等离子体的电子数密度和温度进行了计算, 等离子体电子数密度在0.2~2.0 μs延迟时间内快速衰减, 之后在较长的延迟时间内缓慢下降, 大约在4.0 μs达到同一个数量级; 等离子体温度(80 mJ)从初始0.2 μs时的18 000 K迅速下降到13 000 K(2.0 μs), 在5.0 μs后缓慢下降到12 000 K。 为进一步检验和优化激光脉冲用于氩气的分析性能, 对氩的不同特征谱线信噪比随时间演化的特征进行了研究, 结果表明, 氩原子线在2.0~6.0 μs的延迟窗口具有较高的信噪比, 氩离子线则在0.1~1.0 μs延迟窗口具有较高的信噪比。

肺炎支原体是造成人类呼吸系统疾病的主要原因。 临床中, 患者感染不同肺炎支原体症状极为相似, 很难根据症状判别肺炎支原体类型并对症给药。 因此, 准确判别肺炎支原体菌株类型对于发病机理和疾病流行病学研究以及临床精准治疗具有重要意义。 拉曼光谱具有快速、 高效、 无污染等优点, 在生物医学领域逐渐得到越来越多研究者们的关注。 一维卷积神经网络(1D-CNN)是一类包含卷积运算且具有深度结构的前反馈网络, 在语音信号和振动信号分析等方面取得成功应用。 提出一维卷积神经网络与拉曼光谱技术结合, 针对肺炎支原体主要基因型M129型和FH型样本的拉曼光谱数据集, 实现肺炎支原体菌株分类。 利用光谱数据增强方法扩充原光谱数据集作为模型输入, 训练一维卷积神经网络模型, 解决由于小样本导致卷积神经网络数据饥渴问题; 为了得到最好的肺炎支原体分类效果并加速学习过程, 优化模型结构并确定最佳模型参数; 拉曼光谱测量时常混有高斯噪声、 泊松噪声和乘性噪声, 为优化模型抗噪能力, 将原光谱分别叠加高斯噪声、 泊松噪声和乘性噪声, 训练一维卷积神经网络模型并和LDA, KNN和SVM等传统算法进行比较。 实验结果表明基于1D-CNN方法, 对于叠加高斯噪声的光谱数据所建模型分类正确率为98.0%, 叠加泊松噪声的光谱数据分类正确率为97.0%, 叠加乘性噪声的光谱数据分类正确率为97.0%, 分类正确率远高于基于LDA, KNN和SVM等传统算法所建模型分类正确率; 同时构造叠加5, 15, 25, 35, 45和55 dBW不同强度噪声的光谱数据集, 当噪声达到55 dBW时, 1D-CNN模型仍能取得92.5%的分类正确率。 因此, 一维卷积神经网络结合拉曼光谱技术应用于肺炎支原体菌株类型分类是可行的, 具有抗噪声能力强和分类正确率高的优点, 该研究为肺炎支原体肺炎快速诊断提供新思路。