AI将非线性光学模拟速度提升数个量级

模拟超快激光系统背后的非线性光学物理过程计算量巨大，在需要快速反馈的场景中已成为实际瓶颈。斯坦福大学、加州大学洛杉矶分校（UCLA）和SLAC国家加速器实验室的一项研究引入了一种深度学习代理模型，相比传统模拟方法实现了数个数量级的加速，同时在各种具有挑战性的脉冲形状下保持了高保真度。

这项研究聚焦于二阶非线性光学（χ²过程），即光波在特殊设计的晶体内部交换能量，以产生新的频率和定制的脉冲形状。在粒子加速器设施中，这些过程起着关键作用。在SLAC升级后的直线加速器相干光源（LCLS-II）上，红外激光脉冲先被转换为绿光，再转换为紫外光（UV）。紫外脉冲撞击阴极，释放出电子束团，该电子束团随后被加速和调制，以产生强烈的X射线脉冲。紫外脉冲的时间形状直接影响着电子束团的特性，并最终影响可用于科学研究X射线的质量。

描述这一核心过程中非线性χ²频率转换步骤的代理模型，已发表在《Advanced Photonics》期刊上。

标准模拟方法——使用分步傅里叶法（SSFM）在每一个传播步长中交替进行时域和频域运算来数值求解非线性薛定谔方程——虽精确但速度缓慢，约占整个激光模拟总运行时间的95%。从先前将循环神经网络应用于光纤中脉冲传播的工作中获得启发，该团队开发了一种长短期记忆（LSTM）代理模型，专门针对更通用、多场的χ²场景量身定制。非共线和频（SFG）涉及三个同时演化的耦合光场，且涵盖广泛的脉冲形状，因而成为了一个严格且具有广泛相关性的测试平台。一个关键的设计选择是完全在压缩的频域表示中进行运算，从而避免了使SSFM代价高昂的反复域变换。

该代理模型在广泛的脉冲整形条件下准确重建了脉冲的时间包络和频谱轮廓，包括那些具有明显光谱凹陷和强相位调制的情形。通过批量化GPU推理运行，平均每个实例的模拟时间降至几毫秒——比传统方法快数个数量级。值得注意的是，该模型似乎捕捉到了相互作用的全局耦合动力学：当主要的SFG输出被良好预测时，次级光场也往往能紧密匹配。

这项研究的一个更宏大目标是将此类代理模型与实验激光系统集成。其中单个物理过程分别由一个训练好的代理模块表示的模块化框架，指向了直接与运行中的实验相连接的预测模型。

展望未来，将快速机器学习代理模型与实验直接联系起来，为全数字孪生开发、自适应控制，以及跨众多激光驱动设施的下游诊断更紧密集成等应用打开了大门。

相关链接：https://dx.doi.org/10.1117/1.ap.8.3.036004