基于神经网络从一维干涉互相关迹线重建脉冲

任何超快光学光谱实验通常都伴随着超短脉冲表征的必要流程。大多数脉冲表征方法求解一维（例如通过干涉测量）或二维（例如通过频率分辨测量）问题。由于问题的超定性质，二维脉冲恢复问题通常更为一致。相比之下，一维脉冲恢复问题由于代数基本定理的根本限制而无法无歧义地求解。在涉及额外约束的情况下，一维问题可能可解，但现有的迭代算法缺乏通用性，且常对复杂脉冲形状陷入停滞。此处我们使用深度神经网络无歧义地求解带约束的一维脉冲恢复问题，并展示了利用干涉互相关时间迹线（由具有部分光谱重叠的脉冲确定）实现快速、可靠且完整的脉冲表征的潜力。