【资讯】新型有源光纤如何快速设计？“机器学习”有答案

2025-09-18 18:16:05

高功率光纤激光器在先进制造领域、大科学装置等方面均有广阔的应用前景。有源光纤是高功率光纤激光器的“心脏”，是影响激光输出功率水平和光束质量的核心因素。常规有源光纤结构简单，但在功率提升过程中遇到的非线性效应和模式不稳定效应等问题难以有效解决。新型有源光纤能够灵活调控光纤的模场，有望从光纤结构层面解决这些问题，促进高功率光纤激光器实现更高功率、更优光束质量的输出。

在对新型有源光纤进行优化设计时，传统方案通常需要借助有限差分、有限元等方法重复求解麦克斯韦方程组，以评估不同结构参数下光纤的模场特性。这样的计算优化过程耗时较长，不利于新型有源光纤的快速设计。

二、创新研究

国防科技大学前沿交叉学科学院周朴研究员所在课题组针对以上问题，提出了一种基于机器学习的新型有源光纤快速设计方案。该方案利用浅层神经网络“先学习、后预测”，不需要求解麦克斯韦方程组就可以对不同结构参数对应的光纤模场参数进行快速精准预测。

团队选定多折射率层有源光纤作为研究对象。这种光纤在常规有源光纤的纤芯和包层之间增加了一个或多个辅助折射率层，通过改变辅助折射率层的结构参数灵活调控光纤模场，典型光纤结构如图1所示。

图1 常规光纤和几种典型多折射率层有源光纤的横截面结构及折射率分布示意图。(a)常规光纤；(b)部分掺杂光纤；(c)M型光纤；(d)基座型光纤；(e)单沟壑光纤

方案的实施流程包括数据生成、网络训练和快速预测三个步骤，如图2所示。在数据生成步骤中，从定义的数据取值空间中随机生成0.1%的结构参数，利用传统方法计算模式等效折射率、模场面积、重叠因子等模场参数，组成训练样本。在网络训练步骤中，将包含光纤结构参数和模场参数的训练样本输入浅层神经网络，使网络学习结构参数与模场参数之间的复杂映射关系。网络训练完成之后，便可以用于模场参数的快速预测。在快速预测步骤中，只需要将数据取值空间中剩余99.9%的结构参数输入神经网络中，神经网络就可以直接对结构参数进行处理，预测得到相应的模场参数，而无须求解麦克斯韦方程组。

图2 机器学习预测多折射率层有源光纤模场参数的示意图

基于该方案对随机产生的测试样本进行预测，结果如图3所示，红色曲线是浅层神经网络给出的模场参数预测值，黑色曲线是传统方法给出的模场参数基准值。可以看出，预测值与基准值十分接近，预测值曲线与基准值曲线近乎重合，说明了浅层神经网络预测模场参数的准确性。

图3 浅层神经网络的模场特性预测值与基准值之间的比较

团队对方案的精度和速度进行了定量分析。统计结果表明，相比传统方法，机器学习方案不仅平均预测误差小于0.6%，而且预测速度大幅提高约7000倍。这意味着，如果对文中定义的数据取值空间中所有结构参数求解相应的模场参数，传统方法至少需要连续计算20天，而浅层神经网络仅需要计算4分钟。

三、总结

这项工作提出了利用机器学习评估新型有源光纤模场特性的新方案。该方案预测模场参数的速度相比传统方法显著提高，能够对新型有源光纤进行快速优化设计。

参考文献： 中国光学期刊网

您好，可以免费咨询技术客服[Daisy]

官网 筱晓(上海)光子技术有限公司 

欢迎大家给我们留言，私信我们会详细解答，分享产品链接给您。

免责声明：

资讯内容来源于互联网，目的在于传递信息，提供专业服务，不代表本网站及新媒体平台赞同其观点和对其真实性负责。如对文、图等版权问题存在异议的，请联系我们将协调给予删除处理。行业资讯仅供参考，不存在竞争的经济利益。