Kompensation von Dezentrierung und Rotation bei der Vermessung von mittels SLM erzeugten Intensitätsverteilungen

Bei der Strahlformung mittels SLM ist es möglich, durch aufprägen einer Phasenmaske annähernd beliebige Intensitätsverteilungen (LDV) zu erzeugen. Dabei ist die Generierung von Phasenmasken eine nicht triviale Aufgabe, die gemäß dem Stand der Technik durch iterative Algorithmen (z.B. IFTA) erreicht wird. Diese Verfahren eignen sich, aufgrund der benötigten Iterationen, allerdings nicht für dynamische Strahlformung. Eine Möglichkeit zur Beschleunigung der Generierung von Phasenmasken bieten neuronale Netzwerke (NN). Die erfolgreiche Anwendung von NN ist dabei stark an den Trainingsprozess gebunden. Für das Training werden Trainingsdaten aus einem realen optischen System verwendet. Dabei werden für das Training nach dem Supervised Learning Datenpaare aus Phasenmaske und resultierender LDV benötigt. Durch nicht ideale Positionierung eines Detektors kann dabei eine Rotation und Dezentrierung in die aufgenommene LDV einfließen, die nicht auf die Phasenmaske zurückzuführen ist. Aus einer Referenzmessung lässt sich eine Transformationsvorschrift ableiten, um den Einfluss des Detektors zu kompensieren und den Einfluss der Phasenmaske auf die aufgenommenen LDVs differenziert zu beurteilen.