基于耦合模理论(coupled mode theory, CMT)与数据协同驱动深度神经网络解译光学耦合谐振系统

《Light-Science & Applications》：Deciphering optical coupled resonant systems with physics-data co-driven deep neural networks

　　

耦合模理论(coupled mode theory, CMT)是各科学领域中研究谐振系统的通用方法，结合传统拟合方法可揭示谐振系统的隐含物理参数，但该方法在处理给定谐振系统存在多解(multi-solution)的情形时失效，这是一个尚未解决的基本挑战。本研究提出并实验演示了一种CMT物理与数据协同驱动的深层神经网络(CMT-NN, CMT and data co-driven deep neural network)，可快速、精确地预测复杂谐振系统的隐含物理参数。更重要的是，通过在神经网络物理一致性评估中引入系统物理本征值(eigenvalues)与传输响应(transmission response)，多解问题得以缓解。CMT-NN的适用性与普适性通过仿真与实验得到验证——CMT-NN能捕捉细微光谱特征并有效学习耦合物理性质。相比传统拟合方法，平均计算时间降低三个数量级，预测性能提升两个量级以上。位移传感实验进一步验证了CMT-NN的鲁棒性。预期CMT-NN将为利用CMT研究谐振系统带来范式转变，并为各类耦合谐振系统的理解、设计与优化提供新思路。

论文解读：基于耦合模理论(CMT)与数据协同驱动深度神经网络解译光学耦合谐振系统

研究背景与意义

耦合模理论(coupled mode theory, CMT)是分析光学、力学、电路及量子系统中耦合谐振现象（如例外点exceptional point、连续域束缚态bound states in the continuum、拓扑效应等）的半解析通用方法，通常通过拟合透射谱提取谐振频率ω、损耗γ、耦合强度g等隐含物理参数。然而，当同一透射谱对应多组物理参数（多解问题multi-solution）时，传统优化拟合算法无法确定唯一物理解；此外，高维参数空间搜索导致计算成本指数增长且需人工干预，严重制约CMT在复杂耦合系统中的推广应用。该研究发表于《Light: Science & Applications》。研究人员提出一种CMT物理模型与数据协同驱动的深层神经网络(CMT-NN)，将CMT导出的本征值(eigenvalues)与传输响应嵌入损失函数，在实现快速推理的同时缓解多解歧义，并经过仿真与实验验证其精度与效率优势。

主要关键技术方法

研究人员采用拉丁超立方抽样(Latin hypercube sampling)在CMT定义的参数空间内生成大量"透射谱—物理参数—本征值"三元组数据对构建训练集，并加入高斯噪声模拟实验误差。构建含物理约束的深度神经网络(CMT-NN)，其总损失函数由三部分加权组成：预测物理参数与真值均方误差(MSE)、CMT计算所得复本征值实部与虚部与真值偏差、CMT重构透射谱与输入谱MSE；权重通过独立Adam优化器自适应调整并设下限防止退化解。网络分g=0（无直接耦合）与g≠0（有直接耦合）两分支分别训练，推理时对未知谱双路并行预测并以重构谱误差最小者作为最终输出。对照实验采用纯数据驱动神经网络(NN)、多层感知机(multilayer perceptron, MLP)及差分进化+拟牛顿法(differential evolution quasi-Newton method, DE+QNM)传统拟合。有限元法(finite element method, FEM)全波仿真及双微球-锥形光纤实验系统提供测试数据，位移传感实验通过纳米位移台控制微腔与波导/微腔间距验证鲁棒性。

研究结果

Physical model of two-cavity coupled system

研究人员以双微环谐振腔经波导耦合的通用双腔耦合系统为对象，建立含顺时针/逆时针模式的直接与间接耦合有效哈密顿量H（4×4矩阵），包含失谐Δ₁、Δ₂，本征损耗γ₁、γ₂，波导耦合率γ_c1、γ_c2，腔间直接倏逝耦合g，背向散射耦合g₁、g₂及相位φ；通过本征方程Hψ=λψ获得系统本征频率（实部）与线宽（虚部），为CMT-NN提供物理计算基础。

CMT and data co-driven neural network (CMT-NN)

研究人员设计CMT-NN以透射谱为输入预测物理参数，训练数据完全由CMT理论生成。将CMT计算的临时输出对应本征值与重构透射谱反馈至损失函数进行反向传播。结果表明物理约束引导网络学习CMT内在映射关系，避免陷入局部最优，对同谱多解情形可通过本征值匹配与最小谱误差选出唯一合理解。

Simulation results for the CMT-NN

研究人员用CMT生成数据集训练CMT-NN后测试间接耦合(g=0)与直接耦合(g≠0)两种情形。预测物理参数归一化MSE<10^–4；由预测参数算得的本征频率与线宽与理论真值高度吻合；输入FEM全波仿真透射谱，CMT-NN预测参数重构谱与FEM结果一致，证明CMT-NN可准确捕捉光谱特征并具有跨数据源泛化能力。

Performance comparisons between the CMT-NN and other DNNs

在相同数据集上对比CMT-NN、去除物理约束的NN及MLP。CMT-NN对本征值、重构谱及物理参数的预测误差较NN/MLP分别降低32.76%/69.30%、68.91%/89.06%、57.71%/81.59%。对超出训练范围的参数（偏移0–40%），CMT-NN的MSE与误差分布方差较另两者降低约一个数量级和两个量级以上，且验证集与外推集误差相当，表明无过拟合、具良好外推稳定性。

Performance comparisons between the CMT-NN and the traditional fitting method

对比CMT-NN与DE+QNM拟合法。传统拟合对同谱出现g=0与g≠0双解且参数误差大（MSE~10^–1），而CMT-NN正确判断有无直接耦合且参数误差低两个至三个数量级（MSE~10^–4）。批量测试250条谱显示CMT-NN平均计算时间仅约0.0148 s，较DE+QNM(g=0: 14.83 s; g≠0: 34.61 s)降低三个数量级；重构谱平均误差8.05×10^–4，较传统方法提升74%以上，证实CMT-NN克服多解问题且大幅提速增效。

Experimental validation and displacement sensing applications

研究人员搭建双微球谐振腔—锥形光纤实验系统，CMT-NN用含噪理论数据训练。实验测得的间接耦合(g=0, ω₁≠ω₂及ω₁≈ω₂)与直接耦合(g≠0, γ_c2=0)透射谱，经CMT-NN预测参数重构谱均与实测吻合（含模劈裂mode splitting与简并情形），传统拟合无法分辨细微共振特征。实验集重构谱平均误差1.99×10^–3，单谱推理耗时约0.0125 s（较DE+QNM快三个数量级）。位移传感实验中，预测微球相对波导位移Δl_y及微球间距位移Δl_x与真实位移决定系数R²分别达0.97957与0.98637，MSE分别为1.6×10^–3与1.0453×10^–4，验证CMT-NN适用于高精度传感。

讨论与结论

研究人员指出，CMT-NN通过融合CMT导出的本征值与传输响应约束，有效缓解传统CMT拟合的多解歧义问题，实现唯一物理解输出，计算速度较传统拟合提升三个数量级，预测精度提升两个量级以上。CMT-NN对FEM仿真数据与实验实测数据均具良好鲁棒性，可推广至各类耦合谐振系统传感与表征。框架可扩展至多腔系统、非线性效应及多参数同时解耦传感；未来可通过自监督学习、预训练降噪、迁移学习适应特定实验误差分布，或引入残差网络等架构优化进一步提升性能。只要系统可用理论/经验响应嵌入损失函数，即便简化物理模型亦可引导收敛，确立了CMT-NN作为耦合谐振系统参数反演的通用新范式。