近期，中国科学院上海光学精密机械研究所空天激光技术与系统部周佳琦研究员团队，在深度学习预测光纤放大器中斯托克斯脉冲演化方向取得进展。相关成果以“Deep learning prediction of Stokes pulse evolution in ultrafast Raman fiber amplifiers”为题，发表在Chinese Optics Letters上。
非线性光学增益调制（Nonlinear Optical Gain Modulation, NOGM）作为新兴的超短脉冲产生技术，在超快拉曼光纤激光等非线性系统中具有独特优势。然而，传统基于广义非线性薛定谔方程（GNLSE）的建模仿真方法计算效率较低，严重制约了其在需要实时计算的动态控制系统中的集成应用。
针对这一挑战，研究团队创新性地将深度学习技术与非线性光纤光学数值仿真相结合，开发了专用于NOGM拉曼光纤激光放大器预测的四层全连接神经网络（FCNN）模型。该模型以初始泵浦脉冲能量、脉冲宽度和光包络传输距离为输入，通过优化的网络架构和训练策略，能够精准捕捉非线性光学过程中的关键物理特征，实现对输出光谱的高精度预测。研究团队系统评估了模型在不同光纤类型和输入参数组合下的性能。结果表明：在核心参数范围内，模型实现了优异的光谱预测精度；对训练集外参数仍展现出良好的泛化能力；尤其值得注意的是，其计算效率较传统GNLSE方法提升高达86倍，为实时控制系统提供了新的技术可能。该方法有望显著缩短超快拉曼光纤激光器的数值仿真和优化周期，推动高功率、高稳定性脉冲光源的智能化设计与调控。
该项工作得到了国家重点研发计划、中国科学院青年创新促进会、国家自然科学基金和上海市自然科学基金的支持。
图1 仿真的非线性增益调制拉曼光纤放大器系统结构图
图2 PM 980光纤中，初始泵浦脉冲参数为400 nJ和10 ps时，广义非线性薛定谔方程(GNLSE)模拟和全连接神经网络(FCNN)预测光谱的比较：(a) GNLSE模拟的光谱演化；(b) FCNN预测的光谱演化；(c) 绝对误差分布；(d-i) 在特定传输距离下的光谱比较（z = 0.1, 0.2, 0.4, 0.6, 0.8, 1.0米）。
