深度学习赋能的合成维度动力学：光向拓扑模式的形变
光学
2023-05-01 v1
摘要
合成维度（SDs）为探索高维合成空间中以往不可及的现象打开了大门。然而，构建具有期望耦合特性的合成晶格是一项具挑战且不直观的任务，极大限制了SD动力学的探索与当前应用。此处，我们利用深度学习人工神经网络（ANNs）有效设计SD中的动力学，克服了该挑战。我们使用ANNs在实空间中构建具有预设计模式特征值谱的晶格。通过采用审慎选取的扰动（波导摆动），我们从实验与理论上展示了SD中的共振模式耦合与定制动力学，从而实现复杂光束轮廓的有效传输或局域。作为一个启发性示例，我们演示了在ANN设计的Su-Schrieffer-Heeger光子晶格中光向拓扑保护边缘模式的形变。这种ANN辅助的SD构建向着乌托邦式网络迈进，在超越几何限制的基础研究中开辟新途径。我们的发现可为模式激光、光开关与通信技术提供灵活高效的解决方案。
引用
@article{arxiv.2304.14695,
title = {Deep learning empowered synthetic dimension dynamics: morphing of light into topological modes},
author = {Shiqi Xia and Sihong Lei and Daohong Song and Luigi Di Lauro and Imtiaz Alamgir and Liqin Tang and Jingjun Xu and Roberto Morandotti and Hrvoje Buljan and Zhigang Chen},
journal= {arXiv preprint arXiv:2304.14695},
year = {2023}
}
备注
14 pages and 4 figures