概括
这项研究引入了一种新的神经网络方法,用于预测双裂纤维中单子捕获的情况. 通过嵌入物理原理,它大大减少了光学单子研究的计算时间.
科学领域:
- 非线性光学是非线性光学.
- 计算物理 计算物理
- 物理学中的人工智能
背景情况:
- 单子捕获是双断纤维内的光向量单子中的一个关键现象.
- 预测单子捕获对于理解和控制非线性光学系统至关重要.
- 现有的基于物理的深度学习方法面临着计算时间瓶.
研究的目的:
- 开发一种新的深度学习框架,用于预测单人捕捉.
- 将物理定律直接嵌入到神经网络架构中.
- 为了加速物理信息的神经网络的计算时间.
主要方法:
- 结合的非线性施罗丁格方程 (CNLSE) 作为神经网络中的一个专门层 (CNLSE-Layer) 集成.
- 使用光谱神经运算符来建模组速度分散运算符.
- 物理信息被纳入损失函数,以指导学习过程.
主要成果:
- 拟议的模型有效地预测了孤岛捕获现象.
- 集成CNLSE-Layer和光谱神经操作员可以提高预测准确度.
- 将物理嵌入到损失函数中可以显著降低计算开销.
结论:
- 开发的神经网络范式提供了一种新且高效的方法来建模单独的陷.
- 这种方法证明了在基于物理的深度学习中克服计算局限性的潜力.
- 这项工作在将AI应用于非线性光学系统方面取得了重大进展.


