近年来，随着深度学习的兴起，深度神经网络取得了突破性进展，在智能光子学领域得到了广泛应用。在光纤激光器中，前馈和残差卷积神经网络等算法在分析脉冲的光谱干涉和稳态模式的失谐具有重要意义。但由于锁模光纤激光器（MLFL）中系统参数匹配的复杂性以及实验数据采集的高精度性，神经网络的预测结果难以通过实验验证，这降低了神经网络实际应用的可能性。考虑到时间和光谱演化的极端复杂性，我们发现具有巨大内部记忆的循环神经网络（RNN）可以模拟非平稳孤子动力学并预测孤子的演化。
图1 孤子动力学和编码信息存储的RNN预测流程图和实验装置。
图2 周期为 21 的 VSP中的预测、模拟、实验结果对比。
此外，基于TP-Bi_LSTM RNN的编码信息存储方案被成功实现（如图3），这种方案不再依赖实际的脉冲信号，而是利用神经网络的预测结果进行数据编码。这为信息存储和传输提供了一种全新的方式，提高了信号传输的稳定性和可靠性。
图3 基于TP-Bi_LSTM RNN信息编码。
这项研究不仅为理解和预测非稳态孤子脉动提供了新工具，而且为超快光学和信息存储领域带来了潜在的应用前景。通过实验验证了预测结果与实际动态的一致性，这表明深度学习模型可以成为分析复杂非线性系统的新手段。该方案不仅解决了传统数值模拟方法中存在的计算量大、效率低等问题，还为未来利用深度学习技术改进光纤激光器的信息编码提供了理论基础和技术路径。
论文的第一作者为浙江农林大学光机电工程学院的硕士研究生司志增，论文共同第一作者为王大磊副教授，论文通讯作者为戴朝卿教授，共同通讯作者为浙江农林大学光机电工程学院刘威副教授、王悦悦教授。本工作合作者还包括国际著名非线性物理领域权威专家以色列特拉维夫大学Boris A. Malomed教授。上述研究工作得到了国家自然科学基金资助。
论文信息：
Si, Z.Z., Wang, D.L., Zhu, B.W., Ju, Z.T., Wang, X.P., Liu,W., Malomed, B. A., Wang, Y.Y., Dai, C. Q.: Deep Learning for Dynamic Modeling and Coded Information Storage of Vector-soliton Pulsations in Mode-locked Fiber. Lasers. Laser Photon. Rev. (2024) 2400097.
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/lpor.202400097
