一种基于联邦学习的协作式光子晶体光纤逆向设计系统及方法技术方案

本发明专利技术公开了一种基于联邦学习的协作式光子晶体光纤逆向设计系统和方法。该方法在联邦学习框架下，建立了一个分布式的神经网络模型，该模型能够学习和描述光子晶体光纤的光学特性之间的非线性关系。每个节点都拥有本地的计算资源和数据集，通过局部模型的训练和参数更新，实现对光纤的特性进行建模和预测。其次，通过联邦学习的协作机制，各个节点之间进行通信和信息交换，节点之间共同优化模型，使得整体的模型性能逐步提升。同时在模型参数的聚合过程中，保护了各个节点的数据隐私，聚合服务器只能获取到加密或经过隐私保护处理的模型更新参数。更新参数。更新参数。

【技术实现步骤摘要】
一种基于联邦学习的协作式光子晶体光纤逆向设计系统及方法


[0001]本专利技术涉及光子晶体光纤设计领域，具体涉及一种基于联邦学习的协作式光子晶体光纤逆向设计系统及方法。

技术介绍

[0002]光子晶体光纤由于独特的传播特性、设计灵活性和精确的光引导能力，在下一代通信和传感应用中表现出色。在过去的十年中，光子晶体光纤作为普通光纤的有效替代品已广泛地被用于光纤传感、光谱学和光纤通信等领域。设计用于特定应用的光子晶体光纤需要专家团队和光学特性的最佳组合的公开，以确保优异的性能。然而，这种方法是昂贵的，招募具有结构设计相关经验的大型专家团队设计是不现实的。此外，用于最佳光学性质(例如，色散、有效模场面积等)随着连续的知识馈送呈指数增长，由于高计算要求而对低资源设备产生约束。
[0003]人工智能的发展激起了研究人员对基于机器学习的光子晶体光纤结构逆向设计的兴趣，作为传统的基于数值模型的参数搜索策略的替代方案，这是由于它们比数值方法具有显著的速度优势，而不考虑任何潜在的物理约束。然而，这种数据驱动方法的出色性能依赖于具有可以挖掘数据之间的潜在非线性关系的大型数据集，需要研究人员贡献重要的设计知识，以生成足够的数据集来训练模型。
[0004]因此，如何在提供一种低成本、高精度的光子晶体光纤设计框架成为本领域技术人员仍待解决的技术问题。

技术实现思路

[0005]针对现有技术中存在的上述技术问题，本专利技术提出了一个新的系统及方法实现光子晶体光纤的协同性能优化，该系统提供了一个有效的跨机构的平台来优化设计参数，而不受本地计算资源或片面的专家知识的限制。此外，所提出的框架使参与者在协同优化和设计过程中不暴露任何研究人员的知识或数据，确保了数据的安全性。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于联邦学习的协作式光子晶体光纤逆向设计系统及方法，其特征在于，包括如下步骤：
[0008]S1、聚合服务器初始化全局模型并将该初始模型参数发送给所有参与的客户端，其中模型参数指在机器学习模型中用于描述模型的权重和偏差的变量；
[0009]S2、客户端将光子晶体光纤的相关设计知识，包括波长λ、离心率e、长半轴长度R
m
、空气孔半径R、空气孔间距P，以及需要优化和计算的光学特性，包括有效模场面积A
eff
、双折射系数B、色散D、数值孔径NA、功率分数P和非线性波导系数γ进行数据预处理，之后提交给部署有本地模型的本地设备，并使用所接受参数初始化本地模型；
[0010]S3、客户端开始训练本地模型，建立上述设计知识与光子晶体光纤的基本光学特
性之间的非线性关系；
[0011]S4、每轮训练结束之后，本地模型的相关权重参数被输出到聚合服务器端的计算
‑
聚合模块，进行参数聚合，聚合服务器端将聚合后的模型下发至所有的客户端；
[0012]S5、客户端在接收到聚合模型之后，开始下一轮次的模型训练过程；重复步骤S3
‑
S5，采用提前终止策略，在模型的全局损失达到收敛时终止模型训练，避免全局模型的过拟合。
[0013]进一步的，步骤S2中所述本地模型是建立在全连接结构上构建的反向传播神经网络BPNN，由一个输入层，两个隐藏层和一个输出层组成，输入层的共包含五个神经元，对应上述PCF的设计参数，而输出层内包含的十一个神经元对应PCF的关键光学特性，隐藏层之间的激活函数为ReLu,而输出层的非线性激活函数为Tanh，分别表示为：
[0014]ReLu(x)＝max(0，x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1
‑
1)
[0015][0016]式(1
‑
1)、(1
‑
2)中，x为该层神经元的输入。
[0017]进一步的，步骤S3所训练本地模型的目标优化函数表述为下式：
[0018][0019]式(1
‑
3)中，n是样本数，f(w)是本地模型损失函数，即均方误差(MSE)，w代表本地模型的参数。
[0020]进一步的，步骤S3中本地模型的相关函数表示为：
[0021]Opt.(A
eff
，B，D，NA，P，γ)＝f(λ，E，Rm，R，P)
ꢀꢀꢀ
(1
‑
4)
[0022]式(1
‑
4)中Opt.(
·
)表示最佳PCF的光学特性组合；f(
·
)是本地设备上神经网络模型函数。
[0023]进一步的，步骤S4中采用FedAvg作为联邦学习模型的参数聚合算法。
[0024]进一步的，步骤S4当本地设备上的模型训练完毕后，本地模型的所有参数会被上传以完成参数计算和聚合，而不上传本地数据。
[0025]进一步的，步骤S4中协作系统具体操作如下：
[0026]1)在第t轮通信时，协作系统将当前全局模型参数w下发给本地设备，用于本地模型的初始化；
[0027]2)本地设备收到参数使用本地数据集S
k
训练本地模型；
[0028]3)本地模型训练完成后，本地设备将更新后的模型参数上传至协作系统；
[0029]4)在第t+1轮通信时，协作系统根据全局模型参数w
t+1
加权平均为w
t+1
。
[0030]进一步的，步骤S5中性能评估使用平均绝对误差MAE、均方误差MSE和平均绝对百分比误差MAPE作为评估协作式光子晶体光纤逆向设计的光学特性优化性能的指标；分别表示为：
[0031][0032][0033][0034]式(1
‑
5)、(1
‑
6)、(1
‑
7)中m表示测试数据集的样本总数；y
i
、和分别为实际值、平均网络输出值和网络输出值。
[0035]与现有技术相比，本专利技术的有益效果为：
[0036]本专利技术提出的基于联邦学习的协作式光子晶体光纤逆向设计系统及方法采用联邦学习技术，使多方协同设计的光子晶体光纤具有更高的设计精度和可靠性。联邦学习方法可以利用多个分布式设备的本地数据进行模型训练，并且不需要将这些数据收集到一起，从而更好地保护数据隐私；本专利技术的基于联邦学习的协作式光子晶体光纤逆向设计方法借助深度学习算法和神经网络等人工智能技术，实现了对设计过程的自动化和智能化，充分应用了人工智能技术在传统光学设计中的优势；传统的光子晶体光纤设计往往需要大量的时间和人力，并且往往需要加入高昂的成本。采用本专利技术的基于联邦学习的协作式光子晶体光纤逆向设计方法，可以在充分考虑多方权衡和实际需求的情况下，快速地完成设计过程；本专利技术的基于联邦学习的协作式光子晶体光纤逆向设计方法可根据不同的需求进行灵活的定制，适用于多种光子晶体光纤的应用场景和需求。同时，采用本专利技术的基于联邦学习的协作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的协作式光子晶体光纤逆向设计方法，其特征在于，包括如下步骤：S1、聚合服务器初始化全局模型并将该初始模型参数发送给所有参与的客户端，其中模型参数指在机器学习模型中用于描述模型的权重和偏差的变量；S2、客户端将光子晶体光纤的相关设计知识，包括波长λ、离心率e、长半轴长度R
m
、空气孔半径R、空气孔间距P，以及需要优化和计算的光学特性，包括有效模场面积A
eff
、双折射系数B、色散D、数值孔径NA、功率分数P和非线性波导系数γ进行数据预处理，之后提交给部署有本地模型的本地设备，并使用所接受参数初始化本地模型；S3、客户端开始训练本地模型，建立上述设计知识与光子晶体光纤的基本光学特性之间的非线性关系；S4、每轮训练结束之后，本地模型的相关权重参数被输出到聚合服务器端的计算
‑
聚合模块，进行参数聚合，聚合服务器端将聚合后的模型下发至所有的客户端；S5、客户端在接收到聚合模型之后，开始下一轮次的模型训练过程；重复步骤S3
‑
S5，采用提前终止策略，在模型的全局损失达到收敛时终止模型训练，避免全局模型的过拟合。2.根据权利要求1所述的基于联邦学习的协作式光子晶体光纤逆向设计方法，其特征在于，步骤S2中所述本地模型是建立在全连接结构上构建的反向传播神经网络BPNN，由一个输入层，两个隐藏层和一个输出层组成，输入层的共包含五个神经元，对应上述PCF的设计参数，而输出层内包含的十一个神经元对应PCF的关键光学特性，隐藏层之间的激活函数为ReLu，而输出层的非线性激活函数为Tanh，分别表示为：ReLu(x)＝max(0，x)
ꢀꢀꢀꢀ
(1
‑
1)式(1
‑
1)、(1
‑
2)中，x为该层神经元的输入。3.根据权利要求1所述的基于联邦学习的协作式光子晶体光纤逆向设计方法，其特征在于，步骤S3所训练本地模型的目标优化函数表述为下式：式(1
‑
3)中，n是样本数，f(w)是本地模型损失函数，即均方误差(MSE)，w代表本地模型的...

【专利技术属性】
技术研发人员：王冠军，侯轩，陈胜超，黄梦醒，沈重，任素芬，徐浩洋，
申请(专利权)人：海南大学，
类型：发明
国别省市：