一种深度学习方法,用于动态建模刺激的拉曼散射在基微结构光纤中
IEEE transactions on neural networks and learning systems
|March 12, 2026
概括
我们开发了一个快速的深度学习模型来预测光纤中的刺激拉曼散射 (SRS). 这种人工智能方法显著加速了复杂的非线性传播模拟,使实时分析成为可能.
科学领域:
- 非线性光学是一种非线性光学.
- 计算光子学是一种计算光子学.
- 机器学习在物理学中的应用
背景情况:
- 刺激拉曼散射 (SRS) 对于光通信和传感至关重要.
- 传统的建模方法,如分步里叶法 (SSFM) 是计算密集的.
研究的目的:
- 开发一个计算高效的深度学习框架,用于建模非线性脉冲传播和SRS.
- 与传统的模拟技术相比,加速SRS行为预测.
主要方法:
- 一个混合神经网络架构被设计用于捕捉非线性脉冲传播中的时空依赖性.
- 实验中使用石化微结构光纤 (MOF) 来进行实时数据生成.
- 深度学习模型的性能与SSFM进行了验证.
主要成果:
- 与SSFM相比,混合神经网络在GPU上实现了116倍的加速度,在CPU上达到44倍.
- 该模型证明了对SRS的准确和可概括的预测.
- 在一个直接送的AS$_{2}$S$_{3}$MOF中成功生成中红外 (MIR) SRS.
结论:
- 拟议的深度学习框架为SRS建模提供了显著的加速.
- 这一进步使非线性光子系统的实时分析和反向设计成为可能.
- 石灰MOF的使用为实验验证和数据生成提供了一个有价值的平台.


