技術(shù)文章
Technical articles
熱門搜索:
P760/01_2760nm單模垂直腔面發(fā)射激光器
VCSEL-20-M激光控制驅(qū)動器
ZNSP25.4-1IR拋光硫化鋅(ZnS)多光譜(透明)窗片 0.37-13.5um 25.4X1.0mm(晶體/棱鏡
HB-C0BFAS0832x4 QPSK C波段相干混頻器(信號解調(diào)/鎖相放大器等)
Frequad-W-CW DUV 單頻連續(xù)激光器 213nm 10mW Frequad-W
ER40-6/125截止波長1300nm 高摻雜EDF摻鉺光纖
GD5210Y-2-2-TO46905nm 硅雪崩光電二極管 400-1100nm
SNA-4-FC-UPC日本精工法蘭FC/UPC(連接器/光纖束/光纜)
WISTSense Point 緊湊型高精度光纖傳感器解調(diào)儀(信號解調(diào)/鎖相放大器等)
CO2激光光譜分析儀
1030nm超短脈沖種子激光器PS-PSL-1030
FLEX-BF裸光纖研磨機
NANOFIBER-400-9-SA干涉型單模微納光纖傳感器 1270-2000nm
高能激光光譜光束組合的光柵 (色散勻化片)
350-2000nm 1倍紅外觀察鏡
S+C+L波段 160nm可調(diào)諧帶通濾波器
更新時間:2025-09-19
點擊次數(shù):288
高功率光纖激光器在先進制造領(lǐng)域、大科學裝置等方面均有廣闊的應(yīng)用前景。有源光纖是高功率光纖激光器的“心臟”,是影響激光輸出功率水平和光束質(zhì)量的核心因素。常規(guī)有源光纖結(jié)構(gòu)簡單,但在功率提升過程中遇到的非線性效應(yīng)和模式不穩(wěn)定效應(yīng)等問題難以有效解決。新型有源光纖能夠靈活調(diào)控光纖的模場,有望從光纖結(jié)構(gòu)層面解決這些問題,促進高功率光纖激光器實現(xiàn)更高功率、更優(yōu)光束質(zhì)量的輸出。
在對新型有源光纖進行優(yōu)化設(shè)計時,傳統(tǒng)方案通常需要借助有限差分、有限元等方法重復求解麥克斯韋方程組,以評估不同結(jié)構(gòu)參數(shù)下光纖的模場特性。這樣的計算優(yōu)化過程耗時較長,不利于新型有源光纖的快速設(shè)計。
二、創(chuàng)新研究
國防科技大學前沿交叉學科學院周樸研究員所在課題組針對以上問題,提出了一種基于機器學習的新型有源光纖快速設(shè)計方案。該方案利用淺層神經(jīng)網(wǎng)絡(luò)“先學習、后預(yù)測”,不需要求解麥克斯韋方程組就可以對不同結(jié)構(gòu)參數(shù)對應(yīng)的光纖模場參數(shù)進行快速精準預(yù)測。
團隊選定多折射率層有源光纖作為研究對象。這種光纖在常規(guī)有源光纖的纖芯和包層之間增加了一個或多個輔助折射率層,通過改變輔助折射率層的結(jié)構(gòu)參數(shù)靈活調(diào)控光纖模場,典型光纖結(jié)構(gòu)如圖1所示。

圖1 常規(guī)光纖和幾種典型多折射率層有源光纖的橫截面結(jié)構(gòu)及折射率分布示意圖。(a)常規(guī)光纖;(b)部分摻雜光纖;(c)M型光纖;(d)基座型光纖;(e)單溝壑光纖
方案的實施流程包括數(shù)據(jù)生成、網(wǎng)絡(luò)訓練和快速預(yù)測三個步驟,如圖2所示。在數(shù)據(jù)生成步驟中,從定義的數(shù)據(jù)取值空間中隨機生成0.1%的結(jié)構(gòu)參數(shù),利用傳統(tǒng)方法計算模式等效折射率、模場面積、重疊因子等模場參數(shù),組成訓練樣本。在網(wǎng)絡(luò)訓練步驟中,將包含光纖結(jié)構(gòu)參數(shù)和模場參數(shù)的訓練樣本輸入淺層神經(jīng)網(wǎng)絡(luò),使網(wǎng)絡(luò)學習結(jié)構(gòu)參數(shù)與模場參數(shù)之間的復雜映射關(guān)系。網(wǎng)絡(luò)訓練完成之后,便可以用于模場參數(shù)的快速預(yù)測。在快速預(yù)測步驟中,只需要將數(shù)據(jù)取值空間中剩余99.9%的結(jié)構(gòu)參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中,神經(jīng)網(wǎng)絡(luò)就可以直接對結(jié)構(gòu)參數(shù)進行處理,預(yù)測得到相應(yīng)的模場參數(shù),而無須求解麥克斯韋方程組。

圖2 機器學習預(yù)測多折射率層有源光纖模場參數(shù)的示意圖
基于該方案對隨機產(chǎn)生的測試樣本進行預(yù)測,結(jié)果如圖3所示,紅色曲線是淺層神經(jīng)網(wǎng)絡(luò)給出的模場參數(shù)預(yù)測值,黑色曲線是傳統(tǒng)方法給出的模場參數(shù)基準值??梢钥闯?,預(yù)測值與基準值十分接近,預(yù)測值曲線與基準值曲線近乎重合,說明了淺層神經(jīng)網(wǎng)絡(luò)預(yù)測模場參數(shù)的準確性。

圖3 淺層神經(jīng)網(wǎng)絡(luò)的模場特性預(yù)測值與基準值之間的比較
團隊對方案的精度和速度進行了定量分析。統(tǒng)計結(jié)果表明,相比傳統(tǒng)方法,機器學習方案不僅平均預(yù)測誤差小于0.6%,而且預(yù)測速度大幅提高約7000倍。這意味著,如果對文中定義的數(shù)據(jù)取值空間中所有結(jié)構(gòu)參數(shù)求解相應(yīng)的模場參數(shù),傳統(tǒng)方法至少需要連續(xù)計算20天,而淺層神經(jīng)網(wǎng)絡(luò)僅需要計算4分鐘。
三、總結(jié)
這項工作提出了利用機器學習評估新型有源光纖模場特性的新方案。該方案預(yù)測模場參數(shù)的速度相比傳統(tǒng)方法顯著提高,能夠?qū)π滦陀性垂饫w進行快速優(yōu)化設(shè)計。
參考文獻: 中國光學期刊網(wǎng)
您好,可以免費咨詢技術(shù)客服
筱曉(上海)光子技術(shù)有限公司
歡迎大家給我們留言,私信我們會詳細解答,分享產(chǎn)品鏈接給您。
免責聲明:
資訊內(nèi)容來源于互聯(lián)網(wǎng),目的在于傳遞信息,提供專業(yè)服務(wù),不代表本網(wǎng)站及新媒體平臺贊同其觀點和對其真實性負責。如對文、圖等版權(quán)問題存在異議的,請聯(lián)系我們將協(xié)調(diào)給予刪除處理。行業(yè)資訊僅供參考,不存在競爭的經(jīng)濟利益。