[發明專利]基于深度學習的超短激光脈沖相位預測方法及其系統

在審

• 申請號: 202110297039.4
• 申請日: 2021-03-19
• 公開（公告）號: CN113077078A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 高亦談;趙昆;王羨之;李遠鋒;劉鶴元;王兆華;方少波;魏志義
• 申請（專利權）人: 中國科學院物理研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 北京市英智偉誠知識產權代理事務所(普通合伙) 11521
• 代理人: 劉丹妮;姚望舒

1.一種基于深度學習的超短激光脈沖相位預測方法，其特征在于，該方法包括以下步驟：

(1)選定固體介質，通過含時薛定諤方程獲得理論脈沖傳輸數據，通過脈沖相位測量裝置獲得實驗數據，所述理論脈沖傳輸數據與所述實驗數據構成訓練數據；

(2)建立深度學習神經網絡模型，設置模型參數；

(3)將步驟(1)得到的訓練數據輸入步驟(2)建立的深度學習神經網絡模型，對深度學習神經網絡模型進行訓練和優化；

(4)將待測脈沖通過固體介質前后的光譜信息和能量信息導入步驟(3)得到的深度學習神經網絡模型中，預測脈沖通過介質前后的相位信息。

2.根據權利要求1所述的方法，其特征在于，步驟(1)包括以下步驟：

(A)選定固體介質，在含時薛定諤方程中輸入固體介質參數；

(B)根據待測超短激光脈沖激光中心波長，改變入射脈沖初始相位、光譜參數進行理論數據生成；

(C)改變超短激光脈沖初始參數，進行傳輸實驗，通過激光脈沖相位測量裝置測量相位，獲得多組實驗數據；

(D)將步驟(B)生成的理論數據及步驟(C)獲得的實驗數據作為訓練數據。

3.根據權利要求1或2所述的方法，其特征在于，步驟(1)中，所述固體介質為對待測脈沖透明的固體材料；優選選自以下一種或多種：藍寶石、石英玻璃、CaF₂、YAG、YVO₄、PPLN。

4.根據權利要求1至3中任一項所述的方法，其特征在于，步驟(1)中，所述脈沖相位測量裝置選自以下一種或多種：自參考光譜干涉裝置、分辨光學開關裝置、自參考光譜相干電場重建裝置、色散掃描裝置；優選為自參考光譜干涉裝置。

5.根據權利要求1至4中任一項所述的方法，其特征在于，步驟(2)中，所述深度學習神經網絡模型使用空洞卷積神經網絡，其模型選自以下一種或多種：前饋神經網絡，霍普菲爾網絡，馬爾可夫鏈，玻爾茲曼機；優選為前饋神經網絡；

激活函數選自以下一種或多種：邏輯函數Sigmoid，雙曲正切函數tanh，線性整流函數ReLU，指數線性函數ELU，三角函數SIREN；優選為三角函數SIREN；和/或

所述模型連接出射入射光譜數據、入射脈沖參數、模擬脈沖相位信息、實驗預測量脈沖信息，通過監督學習對模型進行訓練，建立出入射光譜信息與待測脈沖相位信息之間的映射關系。

6.根據權利要求1至5中任一項所述的方法，其特征在于，步驟(3)中，數據輸入深度學習神經網絡模型之前對數據進行降維分類處理。

7.一種基于深度學習的超短激光脈沖相位預測系統，其特征在于，所述超短激光脈沖相位預測系統采用權利要求1至6中任一項所述方法進行超短激光脈沖相位預測，且所述超短激光脈沖相位預測系統包括：超短脈沖激光器、光學平臺、光譜采集裝置、激光脈沖相位測量裝置、激光強度測量裝置、顯示器及主機；

其中，所述光譜采集裝置、激光強度測量裝置、實驗臺和顯示器均與所述主機電性連接，所述超短脈沖激光器安裝在所述光學平臺上。

8.根據權利要求7所述的超短激光脈沖相位預測系統，其特征在于，所述超短脈沖激光器發射的激光脈沖寬度為飛秒量級；和/或

所述超短脈沖激光器發射的激光脈沖的中心波長選自全波段。

9.根據權利要求7或8所述的超短激光脈沖相位預測系統，其特征在于，所述激光脈沖相位測量裝置選自以下一種或多種：自參考光譜干涉裝置、頻率分辨光學開關裝置、自參考光譜相干電場重建裝置、色散掃描裝置；優選為自參考光譜干涉裝置。

10.根據權利要求7至9中任一項所述的超短激光脈沖相位預測系統，其特征在于，所述光譜采集裝置包括：工作在對應波段的光譜儀，光譜采集軟件。