深度学习预测光纤中噪声驱动的非线性不稳定性：相干调控与噪声整形新范式

研究人员针对非线性光学中噪声驱动过程难以调控的挑战，通过深度学习技术探索了光纤中调制不稳定性（MI）的相干调控机制。该研究结合数值模拟与实验验证，首次实现了人工神经网络（ANN）对噪声驱动光谱展宽过程的精准预测（误差<9%）及输入种子参数的逆向推断（相位误差7.3%），为定制具有特定相关特征的非相干光子信号提供了新方法，相关成果发表于《Nature Communications》。

　　

在非线性光学领域，调制不稳定性（Modulation Instability, MI）作为噪声敏感动力学的典型代表，长期面临着控制难题。这种由克尔非线性与反常色散相互作用引发的现象，虽能产生丰富的频率成分，却因噪声的随机放大导致输出信号难以预测。传统方法对非相干MI过程的调控手段有限，而深度学习（Deep Learning, DL）在非线性光学中的应用多集中于相干系统，对噪声驱动过程的研究仍属空白。

法国勃艮第弗朗什孔泰大学的Yassin Boussafa团队联合国际团队，通过人工神经网络（Artificial Neural Network, ANN）框架破解了这一难题。研究聚焦光纤中弱相干脉冲与宽带噪声的复杂相互作用，首次实现噪声驱动非线性动力学的精准预测与逆向参数反演。该工作通过385米高非线性光纤（HNLF）实验平台，结合色散傅里叶变换（Dispersive Fourier Transform, DFT）实时测量技术，构建了包含6万组种子配置的数据集。

关键技术包括：1）可编程傅里叶光学滤波（Waveshaper）实现波长/相位可调的相干种子生成；2）掺铒光纤放大器（EDFA）结合带通滤波控制放大自发辐射（ASE）噪声；3）DFT系统以0.12 nm/点分辨率捕获单次光谱波动；4）5层前馈神经网络（FFNN）架构处理光谱关联矩阵与平均谱特征。

预测噪声驱动非线性动力学

通过广义非线性薛定谔方程（GNLSE）模拟与实验验证，ANN对双种子MI的平均光谱预测误差低于2.9%，相位反演精度达3.1%。

显示网络架构如何从输入种子参数（波长λ₁,λ₂；相位差Δφ）预测输出光谱波动特性。

实验验证动力学推断

在-25 dB弱种子条件下，ANN仍能从输出关联图ρ_n(λ,λ)反演种子波长（误差5.0%）和相位（误差7.3%）。

显示实验光谱预测与真实测量的高度吻合。

光谱涨落预测

ANN对数值模拟关联图的预测误差仅3.7%（双种子）至7.4%（四种子）。实验中发现输出平均谱（而非输入参数）能更准确预测涨落特征（误差3.9%），

揭示EDFA功率波动是主要误差来源。

该研究突破性地证明：1）平均光谱特征可替代耗时蒙特卡洛模拟预测非相干波动；2）弱种子相位信息可通过噪声放大过程被ANN解码；3）系统维度增加会降低参数反演精度但不影响涨落预测。这些发现为光学加密、非相干成像及量子信号处理开辟了新途径。作者指出，未来通过物理信息神经网络（Physics-Informed NN）结合逆散射变换（Inverse Scattering Transform, IST）理论，可进一步拓展该方法在多模光纤等复杂系统中的应用。