RNN预测光纤中超快非线性变化，适用于所有非线性系统

　　编译/文龙
　　近日，坦佩雷大学的研究员已经成功地使用递归神经网络（RNN）预测了超短光脉冲与物质相互作用时发生的非线性动力学。这种新颖的解决方案可为非线性系统进行高效且快速的数值建模，将在成像、外科手术和制造业等领域发挥重要作用。研究成果发表在《自然机器智能》（Nature Machine Intelligence）杂志上。
　　RNN可以识别出面部表情的细微差别，类似地，它可以区分不同类型的激光脉冲传播。新的解决方案可以简化基础研究中的实验设计，并且将该算法嵌入到下一代激光系统中就可以实现实时优化。这套激光系统可以应用于像工业制造、外科手术这种脉冲特性会受到目标环境干扰的情境中。
　　超快非线性光物质的相互作用数十年来一直困扰着相关领域的研究人员。从药物开发中用到的光谱工具到技术材料的精密加工，从遥感技术到高分辨率成像，这项研究对众多研究领域都起着至关重要的作用。
　　训练神经网络进行模式识别
　　当高功率超短光脉冲与玻璃光纤相互作用时，会发生一系列高度非线性的相互作用，从而导致入射光的时间和光谱（颜色）特性产生复杂变化。目前为止，对这些多维非线性相互作用的研究都基于非线性薛定谔方程，这是一种缓慢且计算量庞大的方法，极大地限制了用数值模型进行实验的实时设计或优化的能力。
　　「这个问题现已通过使用人工智能得到了解决。我们的团队已经能够通过训练神经网络来识别这种复杂变化的固有模式。更重要的是，一旦完成训练，该网络还能够预测先前未知的非线性变化，并且可以几乎瞬时完成。」国家光电研究与创新旗舰机构主任、坦佩雷大学研究小组负责人Goëry Genty教授说。
　　图示：A. 所使用的递归神经网络体系结构示意图：输入层，长短期记忆（LSTM）递归层，两个隐藏（密集）层和输出层。B. 神经网络在演化过程中使用来自十个先前强度分布的光谱（或时间）强度分布Xz-1，以产生后续光谱hz。C. LSTM单元从上一步接收单元输入，隐藏和单元状态作为输入，单元的输出是新的隐藏状态，该新的隐藏状态也将与新的单元状态一起传递到下一个预测步骤。（来源：论文）
　　这项研究使用具有内部存储器的RNN架构，不仅可以识别与非线性动力学相关的特定模式，还可以了解这种特定模式如何在一段距离内进行时域和频域的演变。
　　神经网络可以预测毫秒级的演变。这种新颖的解决方案将为所有传播受到非线性影响的系统提供更高效、更快速的数值建模方法，从而改善用于电子通信、制造和成像等设备的设计。
　　在光子学中的应用
　　该研究报告了两个在光子学中非常受欢迎的案例：极端脉冲压缩和超宽带激光源开发。
　　Genty解释道：「使用带有内部存储器的神经网络方法可以让我们绕过解决底层数学模型的传统方法，传统的方法不仅非常耗时，有时还需要额外的存储器资源。」
　　随着机器学习在各个科学领域应用的快速发展，Genty预测神经网络将很快成为分析复杂非线性动力学、优化宽带信号源和频率梳的生成以及设计超快光学实验的重要标准工具。
　　论文链接：https://www.nature.com/articles/s42256-021-00297-z
　　项目地址：https://gitlab.com/salmelal/rnnnonlinear
　　参考内容：https://techxplore.com/news/2021-02-artificial-intelligence-nonlinear-ultrafast-dynamics.htm