基于卷积特征分离建模方法的低复杂度全光场超快非线性动力学预测
光学
2022-11-30 v1
摘要
光纤中超快非线性动力学的建模与预测对于激光器设计、实验优化及其他基础应用研究至关重要。基于非线性薛定谔方程(NLSE)的传统传播建模方法长期被视为极其耗时，尤其对于实验设计与优化。循环神经网络(RNN)已被用作一种具有降低复杂度和良好泛化能力的精确强度预测工具。然而，长网格输入点的复杂度与神经网络结构的灵活性应进一步优化以拓宽应用。此处，我们提出一种卷积特征分离建模方法，以低复杂度与高灵活性预测全光场超快非线性动力学，其中线性效应首先由NLSE导出方法建模，随后采用卷积深度学习方法建模非线性。借助该方法，非线性效应的时间相关性大幅缩短，神经网络的参数与规模可大幅减少。运行时间相较NLSE减少94%，相较RNN减少87%，且精度无退化。此外，输入脉冲条件，包括网格点数、时长、峰值功率与传播距离，可在预测过程中灵活改变。结果代表了超快非线性动力学预测的显著改进，本工作也为快速灵活研究其他领域非线性特征的特征分离建模方法提供了新视角。
引用
@article{arxiv.2205.09939,
title = {Low-complexity full-field ultrafast nonlinear dynamics prediction by a convolutional feature separation modeling method},
author = {Hang Yang and Haochen Zhao and Zekun Niu and Guoqing Pu and Shilin Xiao and Weisheng Hu and Lilin Yi},
journal= {arXiv preprint arXiv:2205.09939},
year = {2022}
}
备注
15 pages,9 figures