近期，中國科學院上海光學精密機械研究所空天激光技術與系統部周佳琦研究員團隊，在深度學習預測光纖放大器中斯托克斯脈沖演化方向取得進展。相關成果以“Deep learning prediction of Stokes pulse evolution in ultrafast Raman fiber amplifiers”為題，發表在Chinese Optics Letters上。
 

　　非線性光學增益調制(Nonlinear Optical Gain Modulation, NOGM)作為新興的超短脈沖產生技術，在超快拉曼光纖激光等非線性系統中具有獨特優勢。然而，傳統基于廣義非線性薛定諤方程(GNLSE)的建模仿真方法計算效率較低，嚴重制約了其在需要實時計算的動態控制系統中的集成應用。
 

　　針對這一挑戰，研究團隊創新性地將深度學習技術與非線性光纖光學數值仿真相結合，開發了專用于NOGM拉曼光纖激光放大器預測的四層全連接神經網絡(FCNN)模型。該模型以初始泵浦脈沖能量、脈沖寬度和光包絡傳輸距離為輸入，通過優化的網絡架構和訓練策略，能夠精準捕捉非線性光學過程中的關鍵物理特征，實現對輸出光譜的高精度預測。研究團隊系統評估了模型在不同光纖類型和輸入參數組合下的性能。結果表明：在核心參數范圍內，模型實現了優異的光譜預測精度；對訓練集外參數仍展現出良好的泛化能力；尤其值得注意的是，其計算效率較傳統GNLSE方法提升高達86倍，為實時控制系統提供了新的技術可能。該方法有望顯著縮短超快拉曼光纖激光器的數值仿真和優化周期，推動高功率、高穩定性脈沖光源的智能化設計與調控。
 

　　該項工作得到了國家重點研發計劃、中國科學院青年創新促進會、國家自然科學基金和上海市自然科學基金的支持。
 

圖1 仿真的非線性增益調制拉曼光纖放大器系統結構圖
 

　　圖2 PM 980光纖中，初始泵浦脈沖參數為400 nJ和10 ps時，廣義非線性薛定諤方程(GNLSE)模擬和全連接神經網絡(FCNN)預測光譜的比較：(a) GNLSE模擬的光譜演化；(b) FCNN預測的光譜演化；(c) 絕對誤差分布；(d-i) 在特定傳輸距離下的光譜比較(z = 0.1, 0.2, 0.4, 0.6, 0.8, 1.0米)。