🔬 optics

Largest eigenvalue statistics of wavefront shaping in complex scattering media

通过结合实验、模拟和随机矩阵理论，本研究揭示了虽然波前整形增强因子的分布在弱散射介质中与理论预测一致，但在强散射系统中表现出的巨大涨落可作为探测长程介观关联的敏感探针。

原作者： Grégory Schehr, Hasan Yılmaz

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Grégory Schehr, Hasan Yılmaz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图穿过一片浓雾弥漫的茂密森林大声喊出一个秘密信息。通常情况下，树木会将你的声音向四面八方散射，等到声音到达另一侧时，它已经变成了一团混乱的噪音。但如果能在开始喊叫之前，先对你的声音进行微调，通过塑造声波，让它们在撞击树木后能完美地汇聚到某一个耳朵上呢？这就是**波前整形（wavefront shaping）**的魔力。

在这项研究中，研究人员 Gregoire Schehr 和 Hasan Yilmaz 提出了一个非常具体的问题：如果我们尝试将光（或声）同时聚焦到多个“秘密地点”（即森林中的多个目标点），其“音量”会增加多少？更重要的是，这种“音量”在每一次尝试之间会产生多大的波动？

“音量”计

科学家们使用一个被称为**增强因子（enhancement factor）**的数值来衡量这一点。你可以把它想象成一个音量旋钮。如果你只是随机喊叫，目标的音量很低；如果你完美地塑造了波前，音量就会激增。论文将这个因子 $\eta$ 定义为聚焦强度与没有进行特殊整形时所获得的平均强度之比。

他们发现，对于单个目标，这套理论已经得到了很好的理解。但当你尝试同时对多个目标（例如 2、3 或 5 个点）进行聚焦时，情况变得复杂了。研究人员想知道：这种“音量”是可预测的，还是会变得狂乱无序？

“完全随机”的猜测

为了建立一个基准，团队使用了一种名为**随机矩阵理论（Random Matrix Theory）**的数学工具。想象你有一个巨大的装满弹珠的袋子，每次你摸出一个弹珠，它都是一个完全随机的数字，与你之前摸出的弹-珠没有任何关系。这就是“拉盖尔-维什特（Laguerre-Wishart）”模型。它假设这片迷雾森林只是一个混沌的混乱体，没有任何隐藏的模式。

利用这个“完全随机”的模型，他们精确计算出了平均音量以及它波动的幅度。他们甚至写出了关于特定音量出现的概率的精确公式。

这里有一个巨大的惊喜：
当他们用真实的光和真实的散射样本（一层厚度约为 10 µm 的氧化锌纳米颗粒）来测试这个模型时，发现这个“随机”模型表现得非常完美……但仅限于他们控制较少数量的输入通道（大约 100 个或更少）时。

然而，一旦他们增加了可以控制的输入通道数量（增加到 1,000 个），现实世界就开始表现得异常了。这种“音量”不仅仅是轻微波动，而是变得巨大无比。其波动程度远超“完全随机”模型的预测。

迷雾中的“隐形协作”

为什么随机模型失效了？论文认为，迷雾森林并不只是一个装满随机弹珠的袋子。光波实际上在长距离上相互“交流”。

把这想象成一场混乱的派对。在一个真正的随机派对中，每个人只与身边的邻居交谈。但在这种散射介质中，波就像是那些能够听到整个房间内对话的宾客。这些被称为长程介观相关性（long-range mesoscopic correlations）。它们的产生是因为光在材料中经历了许多不同的路径，而这些路径以一种协调的方式相互干涉。

论文明确排除了这样一种观点，即“随机弹珠”模型（Laguerre-Wishart 集合）足以描述控制许多通道时发生的情况。该模型低估了强度的剧烈波动。这些“巨大的波动”正是光波之间这种隐形协作的直接特征。

侦探工作

他们有多确定？

平均值： 他们非常确定，即使存在这些相关性，平均音量也不会发生太大变化。那个“随机”模型仍然能正确预测平均值。
波动： 他们同样确定，在强散射介质中，波动（即起伏）会变得巨大。
- 他们在实验室中使用一层 10 µm 厚的氧化锌纳米颗粒测量了这一点。
- 他们在计算机上使用 2D 板层进行了模拟，板层厚度范围从 $k_0L = 1$ （极薄）到 $k_0L = 200$ （极厚）。
- 在模拟中，随着板层变厚，波动变得越来越大，远远超过了“随机”预测。

论文指出，这些巨大的波动是检测这些长程相关性的一种全新的、简单的方法。此前，科学家需要测量巨大的传输矩阵（数千个输入和输出）才能观察到这些相关性。现在，他们只需观察“音量”如何波动，即使是在目标数量较少（如 $M_2 = 1$ 或 2）且输入通道数量适中（ $M_1 < 200$ ）的情况下也是如此。

这意味着什么

作者得出结论，增强因子不仅是衡量你聚焦光线能力的记分卡，它也是一个统计学侦探。如果音量波动剧烈，它会告诉你这种材料具有复杂的长程连接。

他们并没有声称已经解决了如何精确预测这些巨大波动的数学问题（这仍然是一个开放性问题），但他们已经证明了简单的“随机”数学是不够的。他们展示了在现实世界中，散射介质中的光更像是一场协调的舞蹈，而不是一场混沌的斗殴；如果你控制了足够多的舞者，整个群体就会以一种你无法用简单的抛硬币实验来预测的方式开始剧烈摆动。

所以，下次当你尝试透过混乱的材料聚焦光线时，请记住：如果强度像受惊的猫一样跳动，那不只是噪声。那是材料正在通过长程相关性向你低语它的秘密。

技术摘要：复杂散射介质中波前整形最大特征值统计特性

问题陈述
波前整形能够实现对波（光、声）的相干控制，使其能够穿透复杂的散射介质（如生物组织或无序材料）进行聚焦。这一过程的有效性通过“增强因子” ( $\eta$ ) 来量化，该因子定义为目标位置处的聚焦强度与未整形波前平均强度的比值。对于单个目标，通过数字光学相位共轭可以使 $\eta$ 最大化。对于多个目标 ( $M_2 > 1$ )，最大增强因子对应于聚焦算子 $A^\dagger A$ 的最大特征值 ( $\lambda_{\text{max}}$ )，其中 $A$ 是介质的 $M_2 \times M_1$ 子传输矩阵。

虽然已知平均增强因子 $\langle \lambda_{\text{max}} \rangle$ 的标度规律为 $M_1/M_2$ （其中 $M_1$ 是受控输入通道数），但该因子的统计涨落 ( $\Delta \lambda_{\text{max}}$ ) 以及其完整的概率分布在很大程度上仍未得到充分探索，特别是在有限系统尺寸以及存在长程介观相关性的情况下。现有的渐近理论（例如 Marčenko–Pastur 定律）往往无法准确描述有限尺寸的实验状态，且相关性引起的偏差对重复性的影响尚不明确。

研究方法
作者结合实验测量、数值模拟和精确随机矩阵理论 (RMT)，采用了三位一体的研究方法：

实验设置： 使用相位移动干涉法测量了传输矩阵，散射样本由一层厚度约为 $\sim 10\,\mu\text{m}$ 的密集堆积氧化锌 (ZnO) 纳米颗粒组成 ( $L \gg l_t$ ，其中 $l_t$ 是传输平均自由程)。输入端通过具有 $M_1$ 个自由度的空间光调制器 (SLM) 进行调制，输出强度在 $M_2$ 个目标位置进行测量。
数值模拟： 使用递归格林函数算法模拟了不同厚度 ( $k_0 L = 1, 50, 200$ ) 和归一化传输平均自由程的二维扩散平板中的波传播。
理论框架： 作者利用 Laguerre–Wishart (LW) 随机矩阵系综推导了精确的有限尺寸预测。他们将子传输矩阵 $A$ 模型化为具有独立复高斯条目的矩阵（这是在不考虑长程相关性的开放散射系统的标准假设）。这使得能够通过不完全伽马函数的行列式来解析计算特征值的联合概率密度函数 (JPDF) 以及最大特征值的累积分布函数 (CDF) $Q_{\text{max}}(x)$ 。

主要贡献与结果

精确有限尺寸理论： 本文为有限 $M_1$ 和 $M_2$ 下的 $\langle \lambda_{\text{max}} \rangle$ 和完整的概率分布 $P_{\text{max}}(\lambda_{\text{max}})$ 提供了精确的解析表达式。这些基于 LW 系综的预测能够准确描述长程相关性可忽略不计（例如弱散射介质或较小的 $M_1$ ）时的实验数据。该框架取代了 Marčenko–Pastur 渐近预测，因为后者在实验典型的有限通道数（ $M_2 \in [1, 5]$ ）情况下会产生显著偏差。
验证平均增强因子： 实验和数值结果均证实，平均增强因子对于长程介观相关性具有鲁棒性。标度关系 $\langle \lambda_{\text{max}} \rangle \sim M_1/M_2$ 无论样本厚度或相关性强度如何均成立，这与 LW 基准一致。
发现巨涨落： 主要发现是，虽然平均值不受影响，但增强因子的涨落对长程介观相关性高度敏感。
- 在弱散射机制（薄平板或小 $M_1$ ）下，实验涨落与 LW 理论预测相匹配。
- 随着受控输入通道数 ( $M_1$ ) 的增加或样本厚度的增加（更强的散射），实验观察到的标准差 $\Delta \lambda_{\text{max}}$ 系统性地超过了 LW 预测值。
- 对厚平板的数值模拟揭示了“巨涨落”，其规模可以是无相关性基准的数倍。
相关性作为探测手段： 涨落相对于无参数 LW 基准的偏差，成为了检测长程介观相关性的直接特征。作者证明，利用相对较小的数据集（ $M_1 \lesssim 200, M_2=1$ ）和薄样本（ $\approx 10 l_t$ ），即可检测到这些相关性，而以往的方法则需要测量极大的传输矩阵（ $M_1, M_2 > 2000$ ）并通过极厚的样本。
强度平衡的独立性： 研究进一步表明，增强因子的量级 ( $\lambda_{\text{max}}$ ) 与多个目标之间的强度平衡没有相关性；高增强既可以出现在强度分配相等的情况下，也可以出现在强度分配极不均匀的情况下。

意义与主张
本文不仅将增强因子视为一种聚焦性能指标，更将其视为一种敏感的统计观测量。作者主张：

统计基础： 有限尺寸的 LW 框架为预测无相关性情况下的波前整形性能提供了一个严谨的、无参数的基准。
诊断工具： 增强因子的涨落为检测复杂散射介质中的长程介观相关性提供了一种简单且实验可及的探测手段。这架起了波前整形实验与介观波传输基本物理学（如通用电导涨落、安德森局域化）之间的桥梁。
现有模型的局限性： 研究结果强调，标准的随机矩阵模型（假设条目独立）对于具有大量受控通道的强散射介质是不充分的，因为它们无法捕捉到由相关性引起的巨涨落。
广泛适用性： 虽然是在光学波中进行的演示，但其底层物理机制依赖于多重散射和有限尺寸统计，表明这些发现同样适用于声波、弹性波、微波及物质波系统。

作者总结道，建立介观多重散射理论与相关随机矩阵理论之间的预测性映射仍是一个开放性问题，但其工作成功识别了这些相关性在极端特征值统计中的统计特征。