Wissenschaftler nutzen KI, um ultraschnelle Lasersimulationen um mehr als das Doppelte zu beschleunigen

Technik und Auswirkungen

Deep Learning ersetzt den langsamsten Schritt Um diese Engstelle zu adressieren, haben die Forscher langkurzzeitgedächtnis-Netzwerke (LSTM), eine Art rekurrenter neuronaler Netze, die zuvor zur Modellierung der Impulsausbreitung Glasfasern eingesetzt wurden, angepasst.

Das neue System wurde speziell für die komplexere χ²-Umgebung konzipiert, die mehrere wechselwirkende optische Felder umfasst. Das Team testete das Modell mit nichtkollinearer Summenfrequenzerzeugung (SFG), einem Prozess, bei dem drei gekoppelte optische Felder gleichzeitig unter vielen verschiedenen Impulsbedingungen entwickeln.

Diese Aufstellung lieferte eine anspruchsvolle Benchmark zur Leistungsbewertung. Eine wichtige Designentscheidung bestand darin, die Berechnungen vollständig in einer komprimierten Frequenzbereichsdarstellung durchzuführen. Durch das Vermeiden wiederholter Transformationen zwischen den Bereichen reduzierte das Modell die Rechenkosten erheblich.

Technik und Auswirkungen

Millisekunden-Simulationen mit hoher Genauigkeit Das Surrogatmodell reproduzierte sowohl zeitliche als auch spektrale Impulsprofile erfolgreich unter einer breiten Palette, einschließlich Fälle mit starker Phasenmodulation und ausgeprägten spektralen Löchern.

Durch den Einsatz die durchschnittliche Simulationszeit auf nur wenige Millisekunden pro Instanz, wodurch das System Größenordnungen schneller ist als konventionelle Verfahren.

Die Forscher stellten zudem fest, dass die sekundären optischen Felder dann ebenfalls den traditionellen Simulationen sehr nahe kommen, wenn das Modell den Haupt-SFG-Ausgang präzise vorhersagt. Das übergeordnete Ziel besteht darin, diese Surrogatmodelle direkt in betriebsbereite Lasersysteme zu integrieren.

Technik und Auswirkungen

Das modulare Design ermöglicht es, einzelne physikalische Prozesse durch separate, trainierte Surrogatblöcke abzubilden und damit prädiktive Modelle zu erstellen, die parallel Echtzeit-Experimenten arbeiten können.

Zukunft könnte die Kombination Live-Experimentiersystemen digitale Zwillinge, adaptive Steuerungsverfahren und eine engere Integration mit Diagnosewerkzeugen in vielen Arten lasergetriebener Forschungseinrichtungen unterstützen.

Quelle: „Deep learning-assisted modeling for χ(2) nonlinear optics", Erfan Abedi, Minyang Wang, Hao Zhang, Abhimanyu Borthakur, Justin Baker, Andrea L. Bertozzi, Randy Lemons und Sergio Carbajo, 6. Mai 2026, Advanced Photonics. DOI: 10.1117/1.AP.8.3.036004