RESEARCH ARTICLE

Nanoprecision real-time diameter control of micro/nanofibers via higher-order mode interference    

Dezhou Lu*, Hao Chi*, Liying Chen, Mengyang Jin, Jiahui Wu, Zhuning Wang, Yaoguang Ma (✉)

2026, 19 (3): 22.https://doi.org/10.2738/foe.2026.0022

*共同第一作者

Abstract

In this paper, we report a mode-interference-based approach for the efficient and reliable diameter measurement of micro/nanofibers (MNFs), enabling the in situ monitoring of MNFs fabricated from both single-mode fibers (SMFs) and multimode fibers (MMFs). The proposed method integrates automated signal processing with parameter-corrected flame-brush models, establishing a real-time closed-loop feedback mechanism during the fabrication process. Within the 524–1778 nm range, measurement accuracies better than 8 nm (< 1.25%) for SMF and 5 nm (< 0.78%) for MMF are demonstrated. Furthermore, to address the challenge of reconstructing complex taper profiles, we introduce a one-dimensional convolutional neural network (1D-CNN). Trained on a physics-enhanced data set, this network enables the end-to-end precision measurement of taper morphology. Within the diameter range of 1.9–10 µm, the maximum relative error is maintained below 0.35%, with a maximum absolute error of less than 9 nm. This method demonstrates broad applicability, offering a reliable solution for the fabrication of high-performance MNF-based photonic devices.

Graphical abstract

一、研究背景

微纳光纤（MNF）由标准光纤经高温软化、双向拉伸而成，直径通常在波长量级，分绝热与非绝热两类。非绝热MNF通过其相对陡峭的锥形轮廓激发多模耦合和干涉，是高灵敏传感器的关键元件。其光学性质对纳米级形貌极为敏感，不同应用对几何结构要求各异，为了实现对光场的精确控制，精确制造具有不同形状的MNF并实现实时直径反馈变得越来越重要。现有手段各有短板：驻波照明需复杂对准，受激布里渊散射依赖昂贵仪器。基于模式演化与截止特性的监测虽简单、实时、无损，但时域光强监测易被环境噪声淹没截止特征，短时傅里叶变换（STFT）虽适应低信噪比却未引入主动控制，且二者都只能识别特定直径点，无法动态重建锥区全轮廓。

二、主要内容

本文搭建了基于高阶模式干涉的微纳光纤直径实时测量与制备平台。实验采用 1550 nm 窄线宽激光，光纤在温控加热器中加热至 1423 K 以上后以 0.2 mm/s 双向对称拉伸，透射光经探测器与示波器采集，由短时傅里叶变换与图像处理自动识别模式截止点。加热器竖直放置以抑制气流扰动，腰径与线性修正因子的标准差（5.25 nm、0.0017）优于水平结构（23.48 nm、0.0066）。对腰径 524—1778 nm 的光纤，单模与多模测量精度分别优于 8 nm 和 5 nm；闭环反馈实现了目标腰径为 1700、1200、700 nm的光纤制作；一维卷积神经网络的全轮廓重建在 1.9—10 µm 直径范围内最大相对误差低于 0.35%。

三、创新点

（一）提出基于高阶模式干涉的实时直径测量方法

针对时域光强监测易被环境噪声淹没截止特征、STFT 未向制备引入主动控制的问题，本文利用 LP01 基模与 LP02（HE12）、LP11（HE21、TE01、TM01）等高阶模式的干涉截止特征，结合自动图像识别与可动态修正热区长度的火焰刷模型，在腰径 524—1778 nm 范围实现优于 8 nm（<1.25%，单模）和 5 nm（<0.78%，多模）的测量精度。

（二）建立模式截止在线识别的实时闭环反馈制备机制

针对已有方法只能识别特定直径点、无法主动控制制备过程的问题，本文把参考模式截止的在线识别即时反算为所需剩余拉锥长度并更新电机停止位置，响应时间低于 10 ms；据此对目标腰径 为1700、1200、700 nm光纤进行了确定性的制备，单模与多模光纤的最大相对误差分别不超过 1%（7 nm）与 0.71%（5 nm）。

（三）引入一维卷积神经网络，实现锥区全轮廓的端到端重建

针对流体力学与热力学模型边界复杂、迭代耗时的问题，本文以 64 个实拉样品的 SEM 轮廓为种子、经七阶多项式拟合与微扰扩充构建物理增强数据集，训练一维卷积神经网络学习干涉空间频率到几何轮廓的映射；在 1.9—10 µm 直径范围内最大相对误差低于 0.35%、最大绝对误差小于 9 nm，单次全轮廓预测约 5 s。

四、总结

1. 该系统对绝热与非绝热条件均适用，通过闭环反馈即时响应模式截止，实现目标腰径逛下的快速、无损、高确定性制备。

2. 一维卷积神经网络可快速提取锥区轮廓（单次预测约 5 s），为量子光学、非线性光学与高灵敏传感等对精度要求苛刻的领域提供可靠工具。

3. 精度随目标直径减小或修正因子增大而略降；后续可通过缩短入射波长激发更多模式以增加参考点，并采用连续小波变换等提升时频分析精度，进一步拓展可测范围。

  （以上文字包含AI生成内容，仅供参考，请以原文为准。）

支持单位：