近日，光機電學院先進光電子應用基礎交叉研究中心戴朝卿教授團隊以《深度學習用于模式鎖定光纖激光器中矢量-孤子脈沖的動態建模和編碼信息存儲）》（Deep learning for dynamic modeling and coded information storage of vector-soliton pulsations in mode-locked fiber lasers）為題在線發表在光學領域國際權威期刊《Laser & Photonics Reviews》（激光與光子學評論）上（中科院1區，IF5：11.1）。該項工作將神經網絡方法首次應用于光學孤子非平穩動力學領域，實現了光纖激光器復雜孤子演化的精準預測并應用于高容錯信息編碼。該論文成果的第一單位為浙江農林大學光機電工程學院，第一作者為碩士研究生司志增，論文共同第一作者為王大磊副教授，論文通訊作者為光機電工程學院戴朝卿教授，共同通訊作者為劉威副教授、王悅悅教授。
該工作是與國際著名非線性物理領域權威專家——以色列特拉維夫大學Boris A. Malomed教授合作完成，是戴朝卿教授團隊主持國家自然科學基金委國際合作項目以來取得的標志性成果。
近年來，隨著深度學習的興起，深度神經網絡取得了突破性進展，在智能光子學領域得到了廣泛應用。為了克服傳統數值方法在模擬非平穩孤子演化過程中計算量大、效率低的困難，戴朝卿教授團隊提出了一種雙并行雙向長短期記憶遞歸神經網絡 (TP-Bi_LSTM RNN)，主要目的是預測矢量孤子脈動（VSP）在各種復雜狀態下的動力學，并通過實驗驗證了其實時性（如圖1）。作為例子，對于周期為“21”的單周期VSP和周期為“3+43”的雙周期VSP，TP-Bi_LSTM RNN的預測結果比直接模擬提供的預測結果更優異，即TP-Bi_LSTM RNN結果產生的偏差分別比模擬提供的偏差小36%和18%。此外，還對不穩定VSP狀態進行預測，結果表明，訓練集的優化和訓練迭代次數對預測尤為重要。最后，團隊實現了基于TP-Bi_LSTM RNN的編碼信息存儲方案（如圖2），這極大避免了實際激光器的脈沖信號不穩定等問題。這一發現為深度學習在超快光學和信息存儲方面提供了新的應用。
這項研究不僅為理解和預測非穩態孤子脈動提供了新工具，而且為超快光學和信息存儲領域帶來了潛在的應用前景。該方案不僅解決了傳統數值模擬方法中存在的計算量大、效率低等問題，還為未來利用深度學習技術改進光纖激光器的信息編碼提供了理論基礎和技術路徑。
圖1 孤子動力學和編碼信息存儲的RNN預測流程圖和實驗裝置
圖2 基于TP-Bi_LSTM RNN信息編碼
（光機電學院 司志增 劉威）
浙ICP備11046845號-1 浙公網安備33018502001115號 
