用于多模光纤时空传播的双向傅里叶增强深度算子网络

渐变折射率多模光纤中超短脉冲的传播是一种由多种物理过程驱动的高度非线性现象。虽然传统的数值求解器能够以高保真度再现这种行为，但其计算成本限制了实时预测、快速参数探索、实验反馈，尤其是从测量输出中逆重构输入场。在这项工作中，我们引入了一种算子学习框架，在单一统一架构中同时学习正向和反向传播算子。通过将用于时空表示的谱滤波器与物理参数的傅里叶嵌入条件化相结合，该模型作为一个快速代理模型，能够准确预测先前未见案例中的复杂场演化。据我们所知，这是双向算子学习框架应用于超短脉冲多模光纤传播的首批演示之一。所得架构相比数值求解器实现了数个数量级的加速，为实时光束诊断、复杂输入场的数据驱动设计以及闭环时空控制铺平了道路。此外，同一框架有望应用于光学及其他领域中表现出类似非线性和色散效应的广泛波系统。