定制化人工神经网络用于激光脉冲表征

《Optics & Laser Technology》：Custom tailored artificial neural network for laser pulse characterization

　　

卷积神经网络（CNN）用于表征超快激光脉冲。生成了一个基于物理信息的、为ELI-NP设施定制的数据集。在实验与理论模型之间建立了直接关联。可以直接从含噪声的FROG（频率分辨光学开关）光谱图中表征激光脉冲。该模型确保直接获取脉冲相位信息。

**论文解读：基于定制化卷积神经网络的激光脉冲表征方法**

**研究背景、问题与研究意义**
超快激光脉冲（ultrafast laser pulse）在等离子体物理、化学反应动力学、超快成像等前沿领域具有不可替代的作用，其精确的脉宽和相位信息对实验结果的解释与理论建模至关重要。特别是在大型激光设施（如ELI-NP）中，激光脉冲性能直接影响设备利用率、实验效率与科学产出。然而，传统的脉冲表征方法（如基于二阶谐波产生的频率分辨光学开关法，SHG-FROG）虽可靠，但依赖迭代算法（如主成分广义投影算法、遗传算法等），存在计算耗时、收敛性不稳定、对噪声敏感等局限，且通常需要对FROG光谱图进行背景扣除和降噪预处理。为解决这些难题，研究人员引入卷积神经网络（CNN），利用其自动特征提取和高速预测能力，直接由FROG图像重建激光脉冲的复频谱电场（complex spectral electric field）的实部与虚部，进而获取振幅与相位。论文发表在《Optics》，旨在为ELI-NP设施提供一种无需预处理、快速且抗噪的脉冲表征工具，建立实验与理论模型之间的直接链接。

**主要关键技术与方法**
研究人员采用数学建模生成用于训练、验证和测试CNN的数据集。模型基于ELI-NP设施啁啾脉冲放大系统（chirped pulse amplification system）的压缩器参数（光栅间距G=810 mm、入射角α=50.56°、刻线密度N=1.5 grooves/μm），通过变化G和α（对应二阶色散φ?、三阶色散φ?、四阶色散φ?的线性范围）生成不同光谱相位。光谱振幅由1-10个随机高斯函数叠加（中心波长770-830 nm，宽度10-25 nm，脉宽至120 fs）构成。复频谱电场经逆傅里叶变换得到时域电场，再根据SHG-FROG方程生成含零均值高斯噪声（方差0.01、0.005）的FROG光谱图。共生成119万对输入-输出数据（70%训练、20%验证、10%测试）。采用改进的DenseNet-BC架构，输入128×128像素FROG图像，经卷积层、批归一化、池化层、三个密集块（含瓶颈层）及两个全连接层，最终通过回归层输出复频谱电场的实部或虚部。分别训练两个CNN（DNNERe(ω)和DNNEIm(ω)），使用Adam优化算法，早停法防止过拟合。

**研究结果**
**3. 结果与讨论**
通过两个CNN分别预测实部和虚部，避免了单网络训练中虚部幅值较小导致的误差主导问题。测试数据中，实部网络的平均半均方误差（HMSE）为4.9×10^-3，虚部网络为5.1×10^-3，表明预测性能优异。计算机模拟脉冲的重建显示，实部和虚部的均方根误差（RMSE）分别低至0.0044和0.0025；由此计算的光谱振幅和相位RMSE分别为0.0056和0.028。对含不同噪声水平（方差0、0.005、0.01）的FROG图像，重建的振幅和相位RMSE均小于0.008和0.06，FROG图像重建误差（E_G）小于0.008，证明了CNN对噪声的鲁棒性和无需预处理的优势。在两组实验FROG数据上，研究人员将CNN结果与Trebino算法对比：第一组实验中，CNN与Trebino算法在光谱振幅和相位上的平均绝对误差（MAE）相近（振幅MAE：0.1598 vs 0.1345；相位MAE：0.9862 vs 0.9094）；第二组实验中，CNN的振幅MAE为0.0681，相位MAE为0.5518，优于Trebino算法的0.2093与1.1676。CNN重建FROG图像的E_G分别为0.2275和0.0039。CNN计算时间仅为毫秒级（约0.004 s），远快于迭代算法。结果证实CNN能快速、准确地从原始（含噪声）FROG图像中提取脉冲复频谱电场，并直接获取相位信息。

**总结讨论与结论翻译**
讨论部分指出，CNN与Trebino算法在部分实验案例中性能相当，但CNN无需预处理、速度更快。重建误差可能源于实测脉冲的光谱相位包含高于四阶的畸变，以及模拟仅考虑压缩器相位而忽略了振荡器、展宽器和放大器的影响。结论部分翻译：在本工作中，研究人员训练、验证并测试了两个CNN，用于基于FROG图像预测复频谱电场的实部和虚部。由于CNN需要大量训练数据，研究人员使用模拟输入-输出数据对。为生成相关模拟数据并提高模型精度，两个神经网络专门针对ELI-NP设施的啁啾脉冲放大系统定制。FROG图像基于数学模型生成，该模型使用ELI-NP设施时间压缩器的实际参数：光栅间距和衍射角。此外，CNN使用含噪声图像进行训练，以便直接使用FROG图像进行预测，无需任何背景扣除或噪声滤波。两个神经网络的准确性通过复频谱电场实部和虚部的低均方根误差得到证明。此外，CNN的性能通过输入与重建FROG图像之间的低误差得到验证。重建基于两个训练网络预测的复频谱电场的实部和虚部。最后，CNN使用两个实验FROG图像进行测试。重建与实验FROG迹线之间获得良好一致性，这一点由实验与重建FROG图像之间的低误差支持。研究人员还将基于DNN的方法与著名的Trebino算法进行了比较。两种方法均获得低重建误差，而基于DNN的方法在某些实验案例中提供了更高的重建精度。此外，所提出的基于DNN的方法消除了对FROG迹线进行预处理的需要，从而实现了更快、更直接的重建过程。