用于光纤中非线动力学的物理信息神经网络
光学
2021-09-03 v1 机器学习
摘要
本文研究了一种结合深度学习与物理的物理信息神经网络（PINN），用于求解非线性薛定谔方程以学习光纤中的非线性动力学。我们对 PINN 在光纤中多种物理效应（包括色散、自相位调制和高阶非线性效应）上进行了系统性研究与全面验证。此外，利用 PINN 研究并实现了特例（孤子传播）和一般情形（多脉冲传播）。在以往研究中，PINN 主要对单一场景有效。为克服该问题，本文将物理参数（脉冲峰值功率与子脉冲幅度）作为额外的输入参数控制器嵌入，使 PINN 能够学习不同场景的物理约束并具备良好泛化性。进一步，PINN 以远少于数据驱动神经网络的数据量取得更优性能，且其计算复杂度（以乘法次数计）远低于分步傅里叶法。本文结果表明，PINN 不仅是有效的偏微分方程求解器，也是推进光纤中科学计算与自动建模的有前景技术。
引用
@article{arxiv.2109.00526,
title = {Physics-informed Neural Network for Nonlinear Dynamics in Fiber Optics},
author = {Xiaotian Jiang and Danshi Wang and Qirui Fan and Min Zhang and Chao Lu and Alan Pak Tao Lau},
journal= {arXiv preprint arXiv:2109.00526},
year = {2021}
}
备注
29 pages, 18 figures