人工智能预测光学中的非线性超快动力学

由法国国家研究机构和芬兰科学院资助，芬兰坦佩雷大学的研究人员成功地使用人工智能来预测超短光脉冲与物质相互作用时发生的非线性动力学。这种解决方案可在成像，制造和手术中用于高效、快速的数值建模。相关论文发表在《Nature Machine Intelligence》上。

来源: CC0 Public Domain

人工智能可以区分不同类型的激光脉冲传播，就像它可以识别面部识别中表情的细微差别一样。新发现的解决方案可以简化基础研究中的设计实验，并将算法嵌入下一代激光系统中，以确保实时优化。这可以用于例如制造和外科手术中，其中脉冲特性会受到目标环境的干扰。

超短脉冲在光纤中的传播在光源和光子技术的发展中十分重要，但由于其高度非线性导致对其进行建模研究需要大量的时间和计算资源，极大地限制了使用数值技术实时设计或优化实验的可能性。非线性超快光物质相互作用是研究人员数十年来一直难以理解的东西。研究领域在许多研究领域中至关重要，从在药物开发中使用光谱工具到技术材料的精密加工，遥感到高分辨率成像。

可以训练神经网络来识别模式

当高功率超短光脉冲与玻璃光纤相互作用时，会发生一系列高度非线性的相互作用，从而导致所注入的光的时间和光谱（颜色）特性发生复杂的变化。到目前为止，对这些非线性和多维相互作用的研究都是基于非线性Schrodinger方程，这是一种缓慢且计算量大的方法，极大地限制了使用数值技术实时设计或优化实验的可能性。

现在已经通过使用人工智能解决了这个问题。我们的团队已经能够训练神经网络来识别这种复杂演化过程中固有的模式。重要的是，一旦经过训练，该网络还能够预测先前未知的非线性演化过程。

这项研究使用一种使用机器学习来预测光纤中复杂的非线性传播的解决方案。该方案利用基于知识和无模型的方法，使用递归神经网络(RNN)，绕过了直接数值求解控制传播模型的需要。其中，基于知识的方法依赖于控制物理系统的数学模型的先验知识，可以捕捉非线性动态；而无模型预测无需上述先验知识，是一种纯粹的数据驱动方法，由神经网络结构从训练数据中学习及预测系统动态行为。研究人员研究了两种具有重要实际意义的情况:一是与产生Peregrine-孤子结构相关的高功率脉冲压缩，二是宽带光超连续谱（SC）的产生。在第一种情况下，他们证明该网络可以精确模拟预测高阶孤子的时间和光谱演化，以及从变换受限的强度分布中出现的Peregrine孤子，且预测结果与报道的实验测量一致。对于第二种情况，他们将前述分析扩展到更复杂的动力学，并展示该网络如何能够预测具有频谱和时间域精细细节的跨八度音阶SC的完全发展。最后，他们还展示了如何将RNN模型推广到不同的输入脉冲特性和光纤系统，以再现更广泛的传播场景，包括多模光纤中的非线性动力学。

这样的网络不仅可以识别与非线性动力学相关的特定模式，而且还可以了解这种模式在扩展的距离内在时域和频谱域中如何演化。神经网络可以以毫秒为单位预测演变。新颖的解决方案将导致对非线性影响传播的所有系统进行更高效，更快速的数值建模，从而改善用于电信，制造和成像的设备的设计。

光子学中的新应用

该研究报告了两个对光子学非常感兴趣的案例：极端脉冲压缩和超宽带激光源开发。

研究人员解释说，“使用带有内部存储器的神经网络的方法使我们能够绕过解决底层数学模型的传统方法，这种传统的方法通常都非常耗时，有时还需要禁止的存储器资源。”随着机器学习应用在所有科学领域的迅速发展，他说，“预计神经网络将很快成为分析复杂非线性动力学，优化宽带源和频率梳的产生以及进行超快光学实验设计的重要和标准工具。”

这项工作代表了应用于非线性光学的无模型方法的主要扩展，对高场物理、非线性光谱学和精密频率梳计量学具有潜在的重要影响，或将促进所有以类非线性薛定谔方程（NLSE）动力学为主导的物理学领域的类似研究，为非线性系统的建模、未来光子技术的发展以及更广泛的玻色-爱因斯坦凝聚、等离子体物理和流体力学的物理研究开辟了新的前景。