近日，光机电学院先进光电子应用基础交叉研究中心戴朝卿教授团队以《深度学习用于模式锁定光纤激光器中矢量-孤子脉冲的动态建模和编码信息存储）》（Deep learning for dynamic modeling and coded information storage of vector-soliton pulsations in mode-locked fiber lasers）为题在线发表在光学领域国际权威期刊《Laser & Photonics Reviews》（激光与光子学评论）上（中科院1区，IF₅：11.1）。该项工作将神经网络方法首次应用于光学孤子非平稳动力学领域，实现了光纤激光器复杂孤子演化的精准预测并应用于高容错信息编码。该论文成果的第一单位为浙江农林大学光机电工程学院，第一作者为硕士研究生司志增，论文共同第一作者为王大磊副教授，论文通讯作者为光机电工程学院戴朝卿教授，共同通讯作者为刘威副教授、王悦悦教授。

该工作是与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教授合作完成，是戴朝卿教授团队主持国家自然科学基金委国际合作项目以来取得的标志性成果。

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。为了克服传统数值方法在模拟非平稳孤子演化过程中计算量大、效率低的困难，戴朝卿教授团队提出了一种双并行双向长短期记忆递归神经网络 (TP-Bi_LSTM RNN)，主要目的是预测矢量孤子脉动（VSP）在各种复杂状态下的动力学，并通过实验验证了其实时性（如图1）。作为例子，对于周期为“21”的单周期VSP和周期为“3+43”的双周期VSP，TP-Bi_LSTM RNN的预测结果比直接模拟提供的预测结果更优异，即TP-Bi_LSTM RNN结果产生的偏差分别比模拟提供的偏差小36%和18%。此外，还对不稳定VSP状态进行预测，结果表明，训练集的优化和训练迭代次数对预测尤为重要。最后，团队实现了基于TP-Bi_LSTM RNN的编码信息存储方案（如图2），这极大避免了实际激光器的脉冲信号不稳定等问题。这一发现为深度学习在超快光学和信息存储方面提供了新的应用。

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。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。

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 基于TP-Bi_LSTM RNN信息编码

（光机电学院 司志增 刘威）