Лазерный мир

Мин Цзян, Ханьшуо Ву, Yi An, Тяньюэ Хоу, Ци Чанг, Лянцзинь Хуан, Цзюнь Ли, Ронгтао Су & Пу Чжоу // PhotoniX, номер статьи: 16 (2022)

Аннотация
В последние годы машинное обучение, особенно различные глубокие нейронные сети, как новый метод анализа и обработки данных, позволило по-новому взглянуть на разработку волоконных лазеров, в частности сложных, динамичных или чувствительных к помехам волоконных лазерных систем. В этой статье освещаются недавние интересные исследования, в которых было применено машинное обучение в области волоконных лазеров, включая проектирование и манипулирование для получения лазерной мощности по требованию, прогнозирование и контроль нелинейных эффектов, реконструкцию и оценку свойств лазеров, а также надежное управление лазерами и лазерными системами. Мы также комментируем проблемы и потенциал будущего развития.

Введение
Волоконные лазеры отличаются хорошим качеством луча, высокой эффективностью, компактной структурой и позволяют широко настраиваться и эффективно работать от режима непрерывной работы до ультракоротких оптических импульсов [1, 2], от схем малой мощности до схем высокой мощности [3,4, 5], что широко применяется в нелинейной микроскопии [6], оптической связи [7, 8] и обработке материалов [9]. За последние несколько десятилетий повышение производительности волоконных лазеров в основном зависело от разработки волокон, оптимизации системы, улучшения алгоритмов и других средств [10,11,12,13,14]. Среди них роль машинного обучения становится все более заметной.

Машинное обучение (ML) — обобщающий термин, в широком смысле определяемый как “область исследований, которая дает компьютерам возможность учиться без явного программирования” [15]. В качестве новой функции он был внедрен во многие области и достиг впечатляющих результатов в распознавании речи [16], классификации объектов [17], исследованиях химической безопасности [18], компьютерной визуализации [19,20, 21], оптической метрологии [22], оптической связи и создании сетей [23, 24], сенсорике [25] и фотонном проектировании [26,27,28 ,29]. В последнее время различные методы машинного обучения, в частности глубокие нейронные сети (DNN), привлекают все больше внимания к решению проблем, связанных с волоконными лазерами. Например, обучение позволяет создавать приближенные модели лежащих в основе физики или динамических процессов для сложных волоконных лазерных систем в форме ”черного ящика», служащего для косвенного измерения и отслеживания физических параметров.

Цель этого обзора — осветить недавний прогресс в использовании методов машинного обучения для разработки передовых волоконных лазеров с точки зрения проектирования и манипулирования для получения лазерной мощности по требованию, прогнозирования и контроля нелинейных эффектов, реконструкции и оценки свойств лазеров, а также надежного управления лазерами и лазерными системами. Проблемы и перспективы рассматриваются в конце.

Общее описание
В области машинного обучения есть множество источников, которые охватывают такие разнообразные дисциплины, как теория вероятностей, статистика, теория адаптивного управления, психологические модели и теория сложности. Разные источники привносят в область машинного обучения разные методы и термины. В то же время машинное обучение продолжает стремительно развиваться, и продолжают появляться новые технологии. Нелегко в совершенстве изложить весь контент по машинному обучению. Здесь мы представляем некоторые общие описания машинного обучения и его применения в волоконных лазерах, цель которых — предоставить справочную информацию читателям из сообщества специалистов по волоконным лазерам.

Основы машинного обучения
В этом разделе сначала знакомится с концепцией машинного обучения, затем следует таксономия алгоритмов обучения, и особое внимание уделяется широко распространенному алгоритму — искусственным нейронным сетям (ANNS).

Концепция
Области машинного обучения и оптимизации взаимосвязаны. Большинство задач машинного обучения в конечном итоге могут трансформироваться в задачи оптимизации. Некоторые исследователи относят несколько работ с чисто адаптивными и надежными алгоритмами оптимизации к категории машинного обучения, например, эволюционные алгоритмы, обычно генетические алгоритмы, для когерентного управления сверхбыстрой динамикой [30], интеллектуальная генерация дыхательных солитонов [31] и волоконные лазеры с самонастраивающимся режимом синхронизации [32]. Более распространенные определения машинного обучения подчеркивают “обучение” и “получение знаний” из данных, и классическое из них гласит: “Говорят, что компьютерная программа учится на опыте E в отношении некоторого класса задач T и измеряет производительность P, если ее производительность в задачах из T, измеряемая через P, улучшается с опытом E” [33]. Как правило, опыт обычно представлен в виде данных в задачах, а алгоритмы обучения представляют собой методы генерации моделей на основе данных. С помощью изученной модели машина может делать прогнозы или предпринимать действия в задачах. Очевидно, что наборы данных, модели и алгоритмы обучения являются тремя основными элементами машинного обучения.

Сбор данных из экспериментов или численного моделирования конкретных задач называется набором данных, помеченным как D = {(xi, yi)}i = 1,2,…,N, где (xi, yi) — пример, а N — количество примеров. xi — это описание свойств примера, обычно называемое «образец» или «вектор признаков’. Например, xi = {xij}j = 1,2,…,d это вектор признаков с размерностью d, где каждое измерение содержит значение xi j, которое каким-либо образом описывает пример. yi — это метка xi, которая может быть формой одного из конечного набора классов, вектора, матрицы, графика или других. В некоторых задачах yi может не существовать. Обучение (также известное как learning) — это процесс использования данных для создания моделей с помощью алгоритмов обучения. Неопределенные параметры модели будут изменены во время обучения. Следовательно, модель можно рассматривать как параметризованное представление алгоритма обучения на заданном пространстве данных и параметров модели. Данные, используемые при обучении, называются обучающим набором данных. Иногда набор данных для проверки пропорционально отделяется от набора данных для обучения, чтобы показать производительность модели в процессе обучения. После обучения модель необходимо протестировать на независимом наборе данных из того же или аналогичного статистического распределения в обучающем наборе данных, тестовом наборе данных, чтобы оценить применимость ее обобщения для новых данных. На рисунке 1 показана общая рабочая структура машинного обучения, включая подготовку данных, выбор алгоритма, обучение и тестирование.

Искусственные нейронные сети

Здесь мы приводим больше информации об ANN, поскольку она оказывает заметное влияние на исследования в области волоконных лазеров. ANN — это математическая модель, имитирующая структуру и функции биологических нейронных сетей, которая обычно используется для оценки или аппроксимации функций

Волоконный лазер с поддержкой обучения

Сначала мы анализируем типичные проблемы волоконных лазеров, а затем объясняем, что машинное обучение может для них сделать. Проблемы обучения в области волоконных лазеров можно разделить на идентификацию (изучение модели прогнозирования «затраты-результат»), оценку (изучение того, как характеризовать неизмеряемые параметры, такие как реконструированные входные данные, прогнозируемые теоретические выходные данные и предполагаемые метрики оценки выходных данных), проектирование (изучение того, как достичь цели) и контроль (изучение закона управления). На практике эти проблемы взаимосвязаны. Например, идентифицированная модель прогнозирования может помочь в решении задач оценки (включая прогнозирование, реконструкцию и оценивание), проектирования и контроля. Для удобства описания рассматривается общая формулировка взаимосвязи данных: y = Ax, где x и y — входные и соответствующие выходные данные волоконной лазерной системы, A — прямой оператор или передаточная функция волокна или установки волоконного лазера, которая описывает явную взаимосвязь (например, физические принципы и правила) или неявную взаимосвязь (без достаточных физических знаний) между входом x и выходом y. Иногда рассматриваются некоторые специальные термины, такие как Δx, помехи на входе, поступающие из окружающей среды, n, шум, присутствующий на выходе, и E(y), функция оценки выходных данных y. Таблица 1 и рис. 3 иллюстрируют типичные проблемы в системах волоконных лазеров.

Полное содержание на https://translated.turbopages.org/proxy_u/en-ru.ru.eda240df-67ac7b77-9ae35d81-74722d776562/https/photonix.springeropen.com/articles/10.1186/s43074-022-00055-3