许多新兴应用需要具有精确定制的时间和光谱特性的超快激光器，而通过试错法反复试验来获得目标光场很难满足实际应用需求。最近，通过应用先进的算法工具和自适应反馈控制系统，寻找真正自我优化的超快激光器取得了很大的进展。例如，通过遗传算法可以实现飞秒孤子脉冲的自动化产生，不再需要人去手动调节激光器参数。然而，现有的机器学习算法毫无例外地只能用于参数不变的飞秒孤子激光器的控制，并不适合于诸如呼吸子之类的重要的动态激光模式的搜索和优化。

       呼吸子最近已成为超快光纤激光器中的一个重要的动态工作模式，并且由于它们与一系列重要的非线性波动力学相关联（例如奇点、怪波、混沌等），获得了极大的关注。呼吸子在实际应用中也显示出极大的潜力，例如高分辨光谱，高灵敏泵浦探测等。然而，超快激光器中的呼吸子工作模式参量空间极小，实验上很难获得呼吸子输出，极大地限制了其应用。

       曾和平教授课题组首次展示了光纤激光器中呼吸子模式的自我搜寻和优化。这是在控制系统中嵌入合适的目标函数实现的，这些函数针对呼吸子状态的特殊特征量身定制。该工作实现了对呼吸子重要参数的智能控制，例如振荡周期和呼吸比。此外，还展示了对呼吸子分子复合物内部结构的智能化操控。该工作实现了对呼吸子参数前所未有的多维度，高精度控制，不仅开辟了控制超快激光器高动态工作状态的可能性，也将推动智能算法在其它光学系统中的应用，例如微谐振器、光纤克尔谐振器、单通光纤系统等。

       智能激光的开发不仅在应用的角度具有重要意义，也为探索复杂系统的非线性动力学开辟了新的机会。该工作近期发表于Laser Photonics Reviews, 2100191, 2021 (内封面)。

图（a）激光器结构图及反馈控制系统。（b）基于遗传算法的呼吸子控制流程图。（c）遗传算法中的轮盘赌示意图。（d）呼吸子特征参量―呼吸频率示意图，该特征参量用作遗传算法中的适应度函数。（e）实验测得的适应度的最大值（蓝色）和平均值（红色）演化图。（f-h）呼吸子的实验表征。（f）频谱仪测得的呼吸子呼吸频率。（g）呼吸子光谱的周期性演化。（h）呼吸子时域强度的周期性演化。