“机器学习”在超快光子学中的应用

原创 长光所Light中心 中国光学 收录于话题#智能光子学1#超快激光1

撰稿 | Cyan (英国布里斯托大学 博士生)

作者荐语

Goëry Genty教授（芬兰坦佩雷大学）：

我们的国际合作团队以“Machine learning and applications in ultrafast photonics”为题在Nature Photonics发表一篇综述文章。本综述的一大特点便是为不熟悉相关领域的读者(如学生)提供了一系列的基础概念说明。

由于目前人们还不清楚如何最好地利用人工智能和机器学习来推动未来的研究，在控制复杂激光系统和生成定制光束的超快光子技术上的应用还没有充分发挥其潜力。我们现在已经解决了这个问题，并总结了可以应用于研究和控制超快光子系统的不同机器学习方法。

我们的目标是让非该领域专家的读者也能充分理解这篇综述，并为他们提供了机器学习应用于超快光子学中的基础知识。本文主要从激光的设计与优化和超快动态(光场性质变化)的研究与控制两个方面进行综述。

对于每一个案例，我们都试图解释机器学习技术可能如何应用于所感兴趣的实际案例，它们可以带来的好处和未来的研究方向。还解释了机器学习中的不同算法，以及一些关于如何使用它们的指导方针，这为不熟悉该领域的研究人员提供了一个快速入门的机会。

艺术效果图：人工智能在超快光子学中的应用展示。图中显示了神经网络如何通过在复杂的多维空间中寻求最优值来控制入射场的性质。这一概念最终可以帮助产生具有特殊性质的光束。（图源：芬兰坦佩雷大学）

随着各种智能应用的落地，机器学习，人工智能等使用统计技术和数字算法来执行特定任务的专业词汇，已被大众所熟知。在光(子)学中，机器学习的早期应用大多以遗传算法的形式出现，用于模式识别、图像重建、像差校正或光学元件的设计。

图1. 机器学习（艺术效果图）

来源：长春光机所，Light学术出版中心,，新媒体工作组

超快激光器在光子学的诸多领域中, 譬如通信, 材料加工与生物成像, 扮演重要地位。更是直接促成了三项诺奖级别的研究成果：

飞秒激光相干控制（1999）【推荐阅读⏬】

精密频梳（2005）【推荐阅读⏬】

通过啁啾脉冲放大的高功率飞秒脉冲（2018）【推荐阅读⏬】

然而，超快激光器的设计和操作技术与几十年前首次开发时相比并没有太大的变化。随着各种新应用对光源质量要求的日益增加，激光器的复杂度也与日俱增，这意味着在激光器设计及优化过程中的数据量将呈爆炸式增长，使得传统的设计优化方案不再适用。

而大量数据的高速处理，正是机器学习等AI技术所擅长的领域。因此，超快光子学的最新进展与人工智能和机器学习等强大工具的结合，为克服这一瓶颈提供了一个新途径。

来自芬兰坦佩雷大学的Goëry Genty教授【人物介绍⏬】与欧洲其他三所大学的学者一道, 回顾了在超快光子学中应用机器学习技术并已取得突破的特定领域；考虑未来挑战和研究方向，提供一个可行的研究进程路线图；并指出未来几年中, 有望产生重大影响的应用。

一、机器学习在超快光子学中的应用

鉴于机器学习对数据分类、识别隐藏结构和处理大自由度参数的卓越性能，使得诸多重要科研成果得以问世，尤其在大数据处理及逆向设计领域。如图2.所示，描述了不同的机器学习策略和相关架构，列出了核心概念，实现方法以及在超快光子学中的应用。

图2. 超快光子学中机器学习的主要概念与实现方法

图源：Nature Photonics / 图译：Cyan（撰稿人）

图3描述了在超快光子学中，机器学习的一般应用模型。a)图描述了训练阶段，控制信号和测量设备分别用于探测参数空间和映射相应的操作状态。然后，收集的数据被输入到机器学习算法中进行训练。

图3. 利用反馈回路和控制算法控制元件的机器学习流程

a)训练阶段 b) 机器学习辅助阶段

图源：Nature Photonics / 图译：Cyan（撰稿人）

b)图描述了自调整过程，其中激光的实时操作状态特征与一个简化的测量系统馈入机器学习算法控制的电子设备，以锁定系统到一个理想的机制。这就是机器学习特别强大的地方，因为一旦训练，算法可以快速选择参数以实现最佳操作。

在使用机器学习模型时，还需注意如下事项：

架构及相关参数的选择

精度控制

训练数据

过拟合规避

鲁棒性与迁移学习

根据以上结构参数的选择，搭配图2实现方法圈中的不同算法，譬如遗传算法，前馈神经网络，卷积/递归神经网络和无监督学习，便可快速的实现特定目标设计。

二、激光器设计及优化

（1）超快光纤激光器的自调谐

鉴于脉冲状态受诸多因素的影响，譬如色散、非线性及耗散效应，激光系统的操作实际上非常复杂。这种复杂性，一方面对光源质量带来了极大的提升; 另一方面，也为控制和优化造成了了巨大的挑战。

这种困难源于需要达到多个自由度(或控制参数) 的平衡，以实现稳定运行或达到某个特定的机制。当多个输出特性需要同时优化时，传统的优化方式将不再适用。基于机器学习的优化设计方法则特别适合于这种复杂性大幅增加的系统。

（2）相干动态控制

除了如前所述，直接控制激光器外，外腔调制技术也广泛用于超快脉冲的脉冲整形。这种涉及多个关联参数的优化，机器学习显然可以超越其他形式的自动优化控制理论。例如，Daniel B. Turner教授团队向人们展示了自适应神经网络算法如何控制脉冲整形器，并显著加速实现，其收敛速度比传统算法快约100倍。

三、超快脉冲传播动态的特性与控制

（1）隐藏的物理模型

利用机器学习从稀疏或有噪声的测量中推导出预测模型的应用已经取得了成功。随着技术的发展，一种名为”
隐藏物理模型”的概念被提出，即通过使用“物理信息神经网络”分析动态数据样本，自动识别控制物理系统的封闭数学模型或非线性微分方程。这一方法应也用于超快光子学中分析脉冲在光纤中的传输动态。此外，这种无模型方式，亦用于类孤子传输相干动态的预测。然而，目前这类工作仅基于数值数据——该领域的下一步工作显然是从实验数据集中探究控制模型。

（2）混沌系统和不稳定性

在混沌系统中，通过直接捕获呼吸子激光【⏬】的测量系统，在复杂度上，对实验施加了严重的限制。

机器学习可以直接解决这个问题，通过训练神经网络来确定混沌场的时间特征，仅需测定光谱的强度特征(这更容易测量)。最近，一种类似的方法被用于确定噪声连续谱中极端流浪孤子的峰值功率、持续时间和时间延迟。此外，类似应用已经扩展到更复杂的系统，如瞬态激光行为和极端事件中观察到的系统。

（3）多维度系统

神经网络的一个主要优点是能够有效分析多维系统的特性。这在多模光纤系统中特别适用，因为时空耦合极大地增加了参数空间和非线性传播动态的复杂性。瑞士洛桑联邦理工学院的Uğur Teğin通过神经网络驱动空间光调制器，在阶跃折射率分布光纤中生成超连续谱的实验，证明了机器学习的潜力。

图4. 神经网络结构（艺术效果图）

来源：长春光机所，Light学术出版中心,，新媒体工作组

四、前景与挑战

超快光子系统是非常复杂的，通常是非线性的，其动态特性对内部参数和外部扰动都非常敏感。由于对稳定性、抗干扰的鲁棒性、可调性和自适应控制的需求，这些系统的复杂性日益增加，能够发现隐藏特征并在接触新数据时独立适应的机器学习技术，可能会在下一代超快系统和应用中扮演重要角色。

与此同时，机器学习在超快光子学的应用中，也面临如下挑战：

1）在使用递归网络时，沿着进化维度(时间或距离)进行采样对，提取和再现长期进化结构是至关重要的。因此，内存限制就会成为一个问题，特别是在需要多次空腔往返才能稳定的激光器中。

2）无监督学习分析将数据划分为具有相似点的子集，但缺乏关于用于划分标准的关键信息。

3）对光子系统进行实时处理时，需要管理大数据量的能力，以及能够应对超快处理速度的硬件框架。

综上，机器学习为诸多现阶段所遭遇的问题，提供了有效的解决方案，使得超快光子学可以在更广泛的领域内发挥效能。正如Goëry Genty教授所述：“我们相信机器学习可以在下一代激光光源中发挥重要作用。我们的工作可以激励研究人员充分挖掘人工智能在超快光子学及其众多应用方面的潜力。”

文章信息

Genty, G., Salmela, L., Dudley, J.M. et al. Machine learning and applications in ultrafast photonics. Nat. Photonics (2020).

原文地址

https://doi.org/10.1038/s41566-020-00716-4

【】

欢迎课题组投递成果宣传稿

转载/合作/课题组投稿，请加微信：447882024

往期推荐

Light: Science & Applications | 光的“降噪”：抑制光的反向散射

Nature Photonics | 偏振光的“遥控器”

Science | 微型光谱仪的30年进展

新刊推荐

开 放 投 稿：Light: Advanced Manufacturing

ISSN 2689-9620

期 刊 网 站：www.light-am.com

开 放 投 稿：eLight

CN 22-1427/O4 ISSN 2662-8643

期 刊 网 站：elight.springeropen.com

这是中国光学发布的第1631篇，如果你觉得有帮助，转发朋友圈是对我们最大的认可

【】

原标题：《“机器学习”在超快光子学中的应用》