使用傅里叶特征网络对扰动光场进行高保真预测
光学
2025-09-03 v2 机器学习
计算物理
摘要
预测物理扰动对光学信道的影响对于先进的光子器件至关重要，但现有建模技术往往计算昂贵或需要详尽的表征。我们提出了一种数据高效的机器学习框架，用于学习扰动相关的传输矩阵。为克服建模高度振荡函数的挑战，我们将扰动编码到傅里叶特征基中，使多层感知器能够以高保真度学习映射。在压缩光纤的实验数据上，我们的模型对输出场的预测复相关系数达到 0.995，准确率提高了一个数量级，同时使用 85% 更少的参数。该方法为从稀疏测量中建模复杂光学系统提供了通用工具。
引用
@article{arxiv.2508.19751,
title = {High-Fidelity Prediction of Perturbed Optical Fields using Fourier Feature Networks},
author = {Joshua R. Jandrell and Mitchell A. Cox},
journal= {arXiv preprint arXiv:2508.19751},
year = {2025}
}