一种基于机器学习的光频梳性能分析方法及系统技术方案

一种基于机器学习的光频梳性能分析方法及系统，包括以下步骤：步骤1，通过仿真软件对微环谐振腔平台的波导类型建模仿真，并将仿真的二维数据导出备用；步骤2，在上阶段模拟得到的仿真结果的数据基础上计算高阶色散系数，在色散数据中输入对应的色散值，得到理想的光频梳光谱；步骤3，将上一阶段得到的数据，通过建立神经网络模型训练，对模型预测性能进行评估，实现整个GUI界面的具体分布和排版。本发明专利技术专利将硅基微环谐振腔产生光频梳的性能参数利用机器学习的方法进行分析，突破了传统方法的时耗性和局限性。仿真过程耗费更少的时间，整个过程前期只需一次工作量较大的数据完全准备，利用数据并训练好模型后，只需一键便可得到结果，从而大大减少了工作量，提高了工作效率。效率。效率。

【技术实现步骤摘要】
一种基于机器学习的光频梳性能分析方法及系统


[0001]本专利技术属于光子学与人工智能技术交叉领域，特别涉及一种基于机器学习的光频梳性能分析方法及系统。

技术介绍

[0002]近年来，基于级联四波混频效应的硅基微环谐振腔光频梳的产生技术在有了很大的发展和突破，并在各个领域具有广泛的应用前景。在硅基微环谐振腔光频梳的产生过程中，研究的重点多在于泵浦参数对产生光频梳的性能影响，而对光频梳的优化需要利用改良的Lugiato
‑
Lefever equation(LLE)模型对四波混频效应进行数值模拟。在实验室工作中如果针对不同的波导和微环谐振腔参数产生光频梳，制备不同的结构显然不符合实际，因此如何高效的进行技术仿真模拟就成为了新的技术目标，一定程度上也可以节省时间成本和工艺成本。在数值模拟的过程中，需要大量的参数调整和变换，而每次变换都需要一次模拟工作，并且对模拟结果要进行记录分析，如若可以利用机器学习的方法在前期根据已有数据建立模型后，可以实现根据具体泵浦参数直接输出频梳参数结果的需求，该方法将进一步减少了模拟光频梳产生及性能分析所需要的时间。

技术实现思路

[0003]本专利技术的目的在于提供一种基于机器学习的光频梳性能分析方法及系统，以解决上述问题。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]一种基于机器学习的光频梳性能分析方法，包括以下步骤：
[0006]步骤1，通过仿真软件对硅基微环谐振腔平台的波导进行建模仿真，并将仿真的二维数据导出备用；
[0007]步骤2，在上阶段模拟得到的仿真结果数据基础上计算高阶色散数据，在模拟光频梳产生过程中输入泵浦条件对应的色散值，得到理想的光频梳光谱；
[0008]步骤3，将上一阶段得到的数据整理为输入参数列在前，输出参数列在后的训练数据和检测数据，通过建立神经网络模型对数据集进行训练，训练好的模型将用未包含在训练数据中的数据进行预测，并对模型预测性能进行评估，实现整个GUI界面的具体分布和排版。
[0009]进一步地，步骤1中具体为：
[0010]结构建模方法得到验证后更准确地得到本专利所需结构的仿真结果，该过程包含波导模场分布，色散曲线的计算和方法验证工作；
[0011]使用波导截面为脊型的硅基微环谐振腔结构，在微米量级调整截面参数，通过有限元分析法得到对应泵浦波长处的模场分布，进一步利用Sellmeier公式计算获得色散曲线，针对不同结构参数下得到的色散曲线，选取平坦度较好同时使零色散波长点落在3.5μm曲线对应的设计参数，实现波导结构的参数优化；
[0012]在得到硅基微环谐振腔结构的有效折射率的基础上，分别绘制传播常数与波长、有效折射率与波长的曲线图，并将对应的二维数据导出备用。
[0013]进一步地，步骤1中仿真软件为多物理场仿真软件COMSOL Multiphysic。
[0014]进一步地，步骤2中计算高阶色散系数：
[0015]利用MATLAB程序软件，依据高阶色散系数与波长的关系，在上阶段模拟得到的仿真结果的数据基础上计算高阶色散系数，并得到高阶色散与波长的关系曲线图，将计算得到的数值进行整理。
[0016]进一步地，步骤2中光频梳光谱具体为：
[0017]根据LLE方程模型，采用分步傅里叶方法模拟硅基微环谐振腔中基于级联四波混频效应的光频梳产生过程，针对选择的泵浦波长，在已产生的色散数据中选择对应的色散值输入到仿真程序中，最终得到理想的光频梳光谱。
[0018]进一步地，步骤3中建立神经网络模型：
[0019]神经网络模型为由一个输入层，三个隐藏层和一个输出层组成的前馈神经网络，其所用的激活函数为ReLU，前馈神经网络技术由Pycharm中的sklearn包实现；
[0020]收集的数据集为三组，分别为：训练集、验证集和测试集；其中训练集和验证集利用trans_test_split()函数将原始数据按照比例随机分割为“训练集”和“验证集”，其中样本占比为0.1；数据集中输入参数分别为：两个泵浦波长，泵浦功率和微环半径；输出参数为：光频梳的带宽，频率间隔，输出频谱第一个信号的功率以及模式数；
[0021]使用pytorch中的顺序容器torch.nn.Sequential类来实现顺序连接模型，其中包括层与层之间的线性连接以及ReLU非线性激活函数。
[0022]进一步地，步骤3中GUI界面的实现：在网络模型训练并验证后，训练好的模型将用未包含在训练数据中的数据进行预测，并引入均方误差mean_squared_error对模型预测性能进行评估，通过图形用户界面开发工具PySimpleGUI，实现整个GUI界面的具体分布和排版。
[0023]进一步地，一种基于机器学习的光频梳性能分析系统，包括：
[0024]仿真模块：用于对微环谐振腔平台的波导类型建模仿真，得到模场分布和有效折射率数据，并将仿真的二维数据导出备用；
[0025]光频梳光谱获得模块：用于计算高阶色散数据，并模拟四波混频效应产生光频梳过程。其中将泵浦波长对应的色散数据输入仿真程序中，从而得到理想的光频梳光谱；
[0026]分析评估模块：用于将上一阶段得到的数据整理为输入参数列在前，输出参数列在后的训练数据和检测数据，通过建立神经网络模型对数据集进行训练，训练好的模型将用未包含在训练数据中的数据对光频梳的带宽，频率间隔，输出梳状频谱第一个信号的功率以及模式数四个光频梳性能参数进行预测，并对模型预测性能进行评估，实现整个GUI界面的具体分布和排版。
[0027]与现有技术相比，本专利技术有以下技术效果：
[0028]本专利技术专利将硅基微环谐振腔产生光频梳的性能参数过程利用机器学习的方法进行分析，突破了传统方法的时耗性和局限性。仿真过程耗费更少的时间，整个过程前期只需一次从建模到光频梳参数记录的完全准备，实现模型后，只需要一键便可产生传统数值模拟数分钟的结果，减少了工作量，提高了工作效率。
[0029]本专利技术专利可以应用在更多元化的光频梳的特征预测和性能分析中，对实验上产生光频梳的系统参数选择具有重要的指导意义；
[0030]本专利技术专利实现了自动化输出光频梳性能参数，而非以传统方式在产生的梳状光谱上人工读取各参数；
[0031]本专利技术专利在后续可与实验室仪器进行连接，只需要前期将产生的光谱数据保存，利用本专利技术专利技术的GUI界面可一键产生所需光频梳的各项性能参数。Python提供的机器学习模块可以提供强大的并行处理工具，从而大大提高工作效率，降低工作量；再加上GUI界面的实现，更进一步实现了自动化和智能化的功能。
附图说明
[0032]图1是本专利技术的数据准备流程图；
[0033]图2是本专利技术的核心神经网络技术拓扑图；
[0034]图3是本专利技术最终实现的GUI界面自动化交互界面。
具体实施方式
[0035]以下结合附图对本专利技术进一步说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，包括以下步骤：步骤1，通过仿真软件对微环谐振腔平台的波导类型建模仿真，并将仿真的二维数据导出备用；步骤2，在上阶段模拟得到的仿真结果数据基础上计算高阶色散系数，在双色泵浦机制产生光频梳的模拟过程中，根据计算得到的色散数据输入泵浦波长处对应的色散值，得到理想的光频梳光谱；步骤3，将上一阶段得到频谱各项性能数据记录并整理为输入参数列在前，输出参数列在后的训练数据和检测数据，通过建立神经网络模型对数据集进行训练，训练好的模型将用未包含在训练数据中的数据进行预测，并对模型预测性能进行评估，实现整个GUI界面的具体分布和排版。2.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤1中具体为：结构建模方法得到验证后通过同样的方法准确地得到所需的设计结构仿真结果，该过程包含波导的模场分布和色散曲线的计算和方法验证工作；使用波导截面为脊型的硅基微环谐振腔结构，在微米量级调整截面参数，通过有限元分析法得到对应泵浦波长处的模场分布，进一步利用Sellmeier公式计算获得色散曲线，针对不同结构参数下得到的色散曲线，选取平坦度较好同时使零色散波长点落在3.5μm曲线对应的设计参数，实现波导结构的参数优化；在得到结构有效折射率的基础上，分别绘制传播常数与波长、有效折射率与波长的曲线图，并将对应的二维数据导出备用。3.根据权利要求2所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤1中仿真软件为多物理场仿真软件COMSOL Multiphysic。4.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤2中计算高阶色散数据：利用MATLAB程序软件，依据高阶色散系数与波长的关系，在上阶段模拟得到的仿真结果数据基础上计算高阶色散系数，并得到高阶色散与波长的关系曲线图，将计算得到的数值进行整理。5.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤2中光频梳光谱具体获得方法为：根据改良的Lugiato
‑
Lefever equation模型，采用分步傅里叶方法(SSFM)模拟硅基微环谐振腔中基于级联四波混频效应的光频梳产生过程，针对选择的...

【专利技术属性】
技术研发人员：文进，秦韦俊，何晨瑶，孙伟，梁伯值，熊科宇，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：