面向多平面光转换设计的物理神经网络训练方法
信号处理
2023-04-14 v1 最优化与控制
光学
摘要
支持数百模式的多平面光转换器(MPLC)设计在高吞吐光通信中具有吸引力。这些光子结构通常含自由空间中 >10 个相位掩模,具数百万独立设计参数。使用波前匹配的传统 MPLC 设计每次更新一个掩模而固定其余。本文构建物理神经网络(PNN)以建模 MPLC 中的光传播与相位调制,从而可访问整个参数集进行优化,不仅包括相位掩模轮廓及其间距。PNN 训练支持灵活优化序列,是现有 MPLC 设计方法的超集。此外,我们的方法允许调谐 PNN 训练的超参数,如学习率与批大小。由于基于 PNN 的 MPLC 对每训练步的输入与目标模式数不敏感,我们已演示使用适配可用计算资源 mini batches 的高阶 MPLC 设计(45 模式)。
引用
@article{arxiv.2304.06042,
title = {A physical neural network training approach toward multi-plane light conversion design},
author = {Zheyuan Zhu and Joe H. Doerr and Guifang Li and Shuo Pang},
journal= {arXiv preprint arXiv:2304.06042},
year = {2023}
}
备注
Draft for submission to Optics Express