深度学习方法用于预测增材制造的平面波导中的光学衰减

科学领域:

• 光子学和光学工程 光子学和光学工程
• 机器学习应用 机器学习应用
• 光学网络设计设计

背景情况:

• 对可扩展光网络的日益增长的需求需要光纤和小型光子组件的高效集成.
• 准确预测波导中的光学损失对于优化网络性能至关重要.
• 评估波导衰减的传统方法是计算密集的.

研究的目的:

• 引入一个卷积神经网络 (CNN) 来近似多模波导的非线性衰减函数.
• 开发一种计算效率高的方法来估计波导中的光学损失.
• 通过实验测量来验证CNN模型的性能.

主要方法:

• 使用射线跟踪模型模拟柔性打印波导配置并生成数据集.
• 在这个数据集上训练了一个卷积神经网络 (CNN),以学习衰减函数.
• 经过训练的CNN模型在测试数据上进行了评估,随后在制造的波导上进行了评估.

主要成果:

• 该CNN模型准确地估计了波导曲率导致的光学损失,在50dB范围内的标准偏差为1.5dB.
• 与光线追踪模型 (5-10分钟) 相比,CNN模型实现了显著更快的评估速度 (517微秒/波导).
• 该模型与制造波导的实验测量有很好的一致性.

结论:

• 机器学习,特别是CNN,为彻底改变光学网络设计提供了变革的潜力.
• 开发的CNN为评估波导衰减提供了一个高效和准确的工具.
• 这种方法加速了波导评估,这对于实时光学网络优化至关重要.