2. 数学基础：希尔伯特空间与正交基函数
好，咱们进入第二章。说实话，很多做光束分解的同学，一看到「希尔伯特空间」这几个字就头大。我当年刚接触这个领域时也一样，觉得这玩意儿太抽象了。但做了十几年项目后，我慢慢发现——你不需要成为数学家，但必须理解它的物理直觉。
说白了，希尔伯特空间就是一个「无限维的向量空间」。你想想看，我们平时处理的三维向量，有 x、y、z 三个基。那光束模式呢？一个复杂的光场，可以看成是无数个「基模式」的叠加。这些基模式所在的「空间」，就是希尔伯特空间。
2.1 从向量空间说起
我们先从熟悉的二维向量说起。假设有个向量 v = (3, 4)，它在 x 轴和 y 轴上的投影分别是 3 和 4。这里 x 轴和 y 轴就是一组「正交基」——它们互相垂直，互不干扰。
现在把这个概念推广一下：
- 内积：衡量两个向量的「相似度」。在二维空间里，内积就是点乘。在函数空间里，内积变成了积分。
- 范数：向量的「长度」。在函数空间里，就是能量的平方根。
- 正交：内积为零，表示两个向量/函数「完全不相关」。
我记得有一次做激光谐振腔设计，需要分析腔内的模式纯度。当时我直接用数值积分去算模式系数，结果发现算出来的系数总是不对。后来排查了半天——原来是基函数没做归一化。嗯，这个坑我踩过，你们别重蹈覆辙。
2.2 函数空间与希尔伯特空间
函数空间，就是把「函数」当成「向量」来处理的空间。每个函数 f(x) 就是空间中的一个点。希尔伯特空间是函数空间的一种——它要求空间是「完备」的，也就是说，任何柯西序列都收敛到空间内的一个点。
你可能会问：「这跟我做光束分解有什么关系？」
关系大了。我们处理的光束，比如厄米-高斯模、拉盖尔-高斯模，它们都生活在特定的希尔伯特空间里。这个空间里的「内积」定义为：
⟨f, g⟩ = ∫ f*(x) · g(x) dx其中 f* 是复共轭。这个积分，就是我们在实验中测量模式系数时，实际在做的数学操作。
2.3 正交基函数——模式分解的「原子」
正交基函数，就是希尔伯特空间里的一组「坐标轴」。它们满足：
- 正交性：⟨φ_m, φ_n⟩ = 0，当 m ≠ n
- 归一性：⟨φ_n, φ_n⟩ = 1
- 完备性：任何函数都可以用这组基展开
在光束模式分解中，最常用的正交基函数有：
| 基函数类型 | 适用场景 | 正交性条件 | 我的评价 |
|---|---|---|---|
| 厄米-高斯模 (HG) | 矩形对称谐振腔、方形光纤 | ⟨HG_m, HG_n⟩ = δ_mn | 最经典，计算稳定 |
| 拉盖尔-高斯模 (LG) | 圆形对称腔、涡旋光束 | ⟨LG_p^l, LG_{p'}^{l'}⟩ = δ_{pp'}δ_{ll'} | 处理 OAM 模式的首选 |
| 厄米-拉盖尔模 (HL) | 非对称系统、像散腔 | 双索引正交 | 小众但强大 |
| 泽尼克多项式 | 波前畸变分析、自适应光学 | 单位圆内正交 | 做波前重构时必用 |
我曾经在一个项目中，需要分解一个带有严重像散的光束。一开始我用了 HG 基，结果分解出来的系数乱七八糟。后来换成 HL 基——嗯，一下子就清晰了。选对基函数，比调算法参数重要得多。
2.4 模式分解系数的计算
有了正交基函数，模式分解就变成了一个「投影」问题。给定一个待分解的光束 U(x, y)，它在第 n 个基函数上的系数 c_n 就是：
c_n = ⟨φ_n, U⟩ = ∫ φ_n*(x, y) · U(x, y) dx dy这个公式，就是整个模式分解技术的核心。你想想看，只要算出一组 c_n，我们就知道这个光束里「含有」多少比例的 HG₀₀、多少比例的 LG₀¹，等等。
实际计算时，有几点要注意：
- 离散化：连续积分变成离散求和，采样率要满足奈奎斯特条件
- 归一化检查：算完系数后，验证 ∑|c_n|² = 1（能量守恒）
- 截断误差：基函数数量有限，会引入截断误差——我一般取到能量占比 99.9% 为止
2.5 知识结构图
下面这张图，是我自己总结的本章知识脉络。你可以把它当成一个「思维导图」来用：
2.6 实战中的注意事项
理论讲完了，咱们聊聊实战。我总结了几个「新手必踩」的坑：
好了，这一章的内容就到这里。希尔伯特空间和正交基函数，是整个模式分解技术的「地基」。地基打牢了，后面讲的各种分解算法——比如 SPGD、遗传算法、神经网络——你才能理解它们到底在优化什么。