Apr, 2020

使用循环神经网络预测光纤光学中的超快非线性动态

PDF
TL;DR使用循环神经网络的机器学习模型，不需要直接数值求解传输模型，就可以准确地预测光纤中高阶孤子压缩和超连续谱的时频演化，从而为脉冲压缩和宽带光源的优化提供了新方案。
ultrashort pulsesoptical fibrenonlinear dynamicsmachine-learningrecurrent neural network
发现论文，激发创造
  • 线性光学非线性处理

    研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

    Jul, 2023

  • 基于物理的深度学习在光纤通信系统中的应用

    我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。

    Oct, 2020

  • 非线性光学数据转换器用于机器学习

    通过利用复杂的非线性光学处理器，利用光学计算实现简化的机器学习模型来进行图像分类。

    Aug, 2022

  • 光纤通信中非线性薛定谔方程的深度学习

    通过深度学习优化，可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度，使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。

    Apr, 2018

  • 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制

    本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

    Aug, 2021

  • 利用长短时记忆神经网络对数字相干系统中光纤非线性进行补偿

    使用长短时记忆神经网络来补偿数字相干系统中光纤非线性，该方案在单 / 多信道 16QAM 调制和极化复用情况下得到了验证，结果表明，与数字反向传播相比，LSTM 神经网络可以作为光接收机的后处理器，提供卓越的性能。

    Jan, 2020

  • 利用被动光学非线性映射的深度学习

    介绍了一种利用混沌光学的技术为 Edge 计算设备提供了一种新的、能够提高运算性能且能够处理高度非线性特征的平台。

    Jul, 2023

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

    Nov, 2018

  • 一种高效的数值波传播模型在端到端深度学习的增强下

    本研究论文提出了一种融合数值求解器和深度学习组件的端到端框架，通过对神经网络架构、数据生成算法和 Parareal 算法的改进，无需牺牲速度，显著提高了性能。结果表明，时域动态和 Parareal 迭代在准确传播波动方面具有重要作用。

    Feb, 2024

  • 利用深度神经网络进行非线性干扰抑制

    该研究提出了一种基于神经网络的方法来实现数字反向传播，针对 32x100 公里的光纤链路，所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。

    Oct, 2017