基于人工神经网络的耗散性腔内 solitons 振荡动力学高效精确分析
光学
2025-01-07 v1
摘要
传统基于偏微分方程 (PDE) 或非线性动力学的迭代算法计算负担沉重。本框架下, 腔内 solitons 振荡动力学细节超出传统数学分析的范围。本文证明, 长短期记忆 (LSTM) 神经网络可解决这一长期挑战。我们提出 incorporating 参数馈电端口, 能识别呼吸 solitons 的周期分岔, 并快速预测任意参数组合和任意时间序列长度的 nonlinear 动力学。模型预测在 RMSE = 0.01676 下捕捉振荡特征, 绝对误差随预测时间长度几乎不增长。基于 LLE 参数空间边界的典型振荡模式绘图, 速度约为 split-step 傅里叶方法 (SSFM) 的 120 倍,且分辨率更高。
引用
@article{arxiv.2501.02165,
title = {Efficient and accurate analysis of oscillation dynamics for dissipative cavity solitons based on the artificial neural network},
author = {Maolin Wang and Pengxiang Wang and Gang Xu},
journal= {arXiv preprint arXiv:2501.02165},
year = {2025}
}