用循环神经网络预测光纤中的超快非线性动力学
光学
2020-04-30 v1 斑图形成与孤子
摘要
超短脉冲在光纤中的传播表现出复杂的非线性动力学，在高峰值功率脉冲压缩和宽带超连续谱产生等领域有重要应用。然而，这种非线性演化对输入脉冲和光纤特性都高度敏感，而为应用目的优化传播需要基于非线性 Schrödinger 型方程的推广形式进行大量数值模拟。这在计算上代价高昂，并在使用数值技术实时设计和优化实验时造成严重的瓶颈。在此，我们提出一种基于机器学习的范式来解决该问题，利用循环神经网络预测光纤中的复杂非线性传播，从而无需直接数值求解控制传播模型。具体而言，我们展示了带有长短期记忆的循环神经网络如何仅从给定的变换极限输入脉冲强度分布，准确预测高阶孤子压缩和超连续谱产生的时间与光谱演化。针对孤子压缩情形与实验的对比显示，在时域和频域均具有显著的一致性。在光学中，我们的结果可直接用于脉冲压缩和宽带光源的优化；更广义地，在物理学中，它们为玻色-爱因斯坦凝聚体、等离子体物理和流体动力学中所有非线性 Schrödinger 型系统的研究开辟了新视角。
引用
@article{arxiv.2004.14126,
title = {Predicting ultrafast nonlinear dynamics in fibre optics with a recurrent neural network},
author = {Lauri Salmela and Nikolaos Tsipinakis and Alessandro Foi and Cyril Billet and John M. Dudley and Goëry Genty},
journal= {arXiv preprint arXiv:2004.14126},
year = {2020}
}