Una red neuronal eficiente para predecir la dinámica de supercontinuo en fibra de cristal fotónico

Área de la Ciencia:

• Óptica no lineal
• Ciencia de materiales
• Física computacional

Sus antecedentes:

• La generación de supercontinuo (SC) en fibras de cristal fotónico (PCF) es crucial para diversas aplicaciones fotónicas.
• La modelización de la generación de SC tradicionalmente implica simulaciones numéricas computacionalmente intensivas.
• Los materiales calcogenuros ofrecen propiedades ópticas únicas para la generación de SC.

Objetivo del estudio:

• Desarrollar modelos precisos y eficientes para predecir la generación de SC en PCF.
• Investigar el uso de modelos de redes neuronales convolucionales (CNN) para simular la propagación de pulsos.
• Explorar la aplicación de estos modelos en diferentes materiales calcogenuros.

Principales métodos:

• Desarrollo de dos modelos CNN, Gen-Net y Trans-Net, para predecir la evolución espacial y temporal del SC.
• Tratamiento de las gráficas de evolución del SC como imágenes para reducir el tamaño del conjunto de datos y permitir la modelización escalable.
• Entrenamiento de los modelos en un conjunto de datos unificado de cuatro materiales calcogenuros (Ge_11.5As₂₄Se_64.5, As₂S₅, As₂Se₃, As₂S₃).

Principales resultados:

• Los modelos CNN predicen con precisión las respuestas de propagación de pulsos, logrando una Desviación de Píxel Promedio (APD) cercana a 0.03.
• Los modelos demostraron escalabilidad y manejo eficiente de grandes conjuntos de datos.
• Las velocidades computacionales fueron aproximadamente 330 veces más rápidas que los métodos numéricos convencionales.

Conclusiones:

• Gen-Net y Trans-Net proporcionan una plataforma de dos etapas altamente eficiente y precisa para modelar la propagación de pulsos no lineales.
• Este enfoque impulsado por IA avanza significativamente la simulación de la óptica no lineal.
• Los hallazgos ofrecen información valiosa para el diseño y la aplicación de dispositivos fotónicos.