用于光学共振中时间动力学的物理引导且物理可解释的循环神经网络

理解物理系统的时间演化对于揭示频域中隐藏的基本特性至关重要。在光学科学中，高质量共振腔及与物质的增强相互作用是现代量子技术的核心。然而，由于收敛缓慢和时间窗口有限，在真实场景中捕捉其时间动力学面临数据采集时间长和分析精度低的问题。在此，我们报告一种物理引导且物理可解释的循环神经网络，以最短为全长 7% 的采集输入序列精确预测共振特征时域响应，并推断相应共振频率。该模型在两步多保真框架中训练以实现高精度预测，第一步基于大量低保真物理模型生成的合成数据，第二步涉及一小部分面向应用的高保真观测数据。通过仿真与实验，我们证明该模型普遍适用于广泛共振，包括介电超表面、石墨烯等离激元和超强耦合朗道极化子，其中我们的模型准确捕捉小信号特征并学习基本物理量。所展示的机器学习算法为加速共振增强光-物质相互作用下的物理现象探索和器件设计提供了新途径。