彭家俊，李曉輝，郗孫凡，焦可欽

（1 陜西師范大學(xué) 物理學(xué)與信息技術(shù)學(xué)院，西安710072）

（2 陜西師范大學(xué) 生命科學(xué)學(xué)院，西安710072）

0 引言

如今在云計算、大數(shù)據(jù)的人工智能時代，人們對更快、更高效的信息處理和存儲超快光子器件的需求將越來越大［1-5］。但同樣伴隨著的是，半導(dǎo)體芯片、算法編程開發(fā)、物聯(lián)網(wǎng)集成與光子學(xué)的開拓融合與發(fā)展面臨著重大挑戰(zhàn)。超快光子作為激光能量的輸出與傳輸通信的媒介，還沒有在信息處理和數(shù)據(jù)計算中得到廣泛應(yīng)用［6-11］。隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)策略由于強(qiáng)大的計算性能、硬件的可移植性，以及生成和訪問大型數(shù)據(jù)集的快速便捷化，使其在解決和控制光子數(shù)據(jù)時顯得非常有效和強(qiáng)大［12-13］。通過基于機(jī)器學(xué)習(xí)策略的數(shù)據(jù)驅(qū)動解決方案，不僅使得光子器件的目的性更加明確，獲取、處理和存儲所需的數(shù)據(jù)方面更加高效，而且在傳輸速率、能耗、性能、整體尺寸、成本等方面具有顯著優(yōu)勢，創(chuàng)建可以在新的操作機(jī)制中運(yùn)行的光學(xué)設(shè)備［14-15］。如今，機(jī)器學(xué)習(xí)已經(jīng)成為包括高速光通信和計算［16-20］、超靈敏生化檢測［21］、特定目標(biāo)特性的納米材料和結(jié)構(gòu)［22-24］、無標(biāo)簽細(xì)胞分類［25］、量子光學(xué)［26］、高效太陽能收集［27］和超分辨率成像［28-29］，以及量子信息處理［30-31］的變革驅(qū)動性技術(shù)。

然而，機(jī)器學(xué)習(xí)策略雖然提供了重要的指導(dǎo)方針，但當(dāng)時間和空間的幾何維度變得復(fù)雜甚至無法度量時，要找到合適的算法和器件結(jié)構(gòu)來實(shí)現(xiàn)所需的光子特性并非易事。在尋找最優(yōu)模型時，我們需要利用數(shù)據(jù)驅(qū)動執(zhí)行參數(shù)設(shè)計和迭代模擬，以趨近于理論優(yōu)化的極限，而這一過程很大程度上依賴于以往的設(shè)計經(jīng)驗(yàn)［32-33］，因此更具未知與挑戰(zhàn)性。在現(xiàn)階段超快光子學(xué)中，由于自調(diào)諧和優(yōu)化控制的需求不斷增加，導(dǎo)致目前新興產(chǎn)業(yè)對超快光子具有更加精確的調(diào)控方式和特定的光譜特性提出了更高要求，而現(xiàn)有超快光子設(shè)計和模式已被證明是不夠精準(zhǔn)、不可調(diào)控和不確定性的［34-36］。這種不足是由于脈沖發(fā)生機(jī)制通常涉及復(fù)雜的損耗、非線性和色散傳播效應(yīng)，并且涉及到噪聲動力學(xué)的抑制過程。因此在高維空間傳輸中需精確平衡多個參數(shù)才能達(dá)到較為穩(wěn)定的工作狀態(tài)［37-39］。隨著用戶需求的不斷提高，通過試錯的方法對激光系統(tǒng)校準(zhǔn)已不再適合優(yōu)化。對于這種復(fù)雜性較高的系統(tǒng)，機(jī)器學(xué)習(xí)方法在驅(qū)動下一代超快光子技術(shù)上具有巨大的潛力。通過建立足夠的機(jī)器學(xué)習(xí)策略，我們可以準(zhǔn)確地控制并計算出光子特性，甚至可以應(yīng)用于復(fù)雜時間序列來確定和分析潛在的物理模型［40］。

在超快激光器領(lǐng)域，由于許多超快現(xiàn)象是非線性和多維的［41-43］，導(dǎo)致在外部擾動存在時自動控制的需求日益增加。同時，脈沖特性在與傳播介質(zhì)或材料相互作用下要求具有較強(qiáng)的適應(yīng)能力。因此，將腔內(nèi)各項(xiàng)參數(shù)（例如偏振控制、泵浦功率、光譜濾波和損耗）結(jié)合進(jìn)行精準(zhǔn)調(diào)控，在多維空間中尋求最優(yōu)值來控制入射場的性質(zhì)，最終創(chuàng)造出更多可能的工作機(jī)制是我們的不懈追求［44-45］。

本文介紹了機(jī)器學(xué)習(xí)策略下超快光纖激光器的背景與模型，從理論與實(shí)驗(yàn)架構(gòu)兩方面回顧了機(jī)器學(xué)習(xí)策略應(yīng)用于超快光子學(xué)的設(shè)計與實(shí)現(xiàn)，對最新研究進(jìn)展進(jìn)行了對比總結(jié)。這些結(jié)果展示了機(jī)器學(xué)習(xí)在光子學(xué)設(shè)計中的力量。最后，我們評論了這一新興跨學(xué)科研究領(lǐng)域的挑戰(zhàn)和未來的研究方向，以及在未來幾年有望產(chǎn)生重大影響的應(yīng)用。

1 機(jī)器學(xué)習(xí)超快光纖激光器架構(gòu)

機(jī)器學(xué)習(xí)-自動鎖模（Machine Learning-Automatic Mode-Locking，ML-AML）技術(shù)作為超快激光一項(xiàng)新的研究課題是下一代鎖模激光器研究的重點(diǎn)。機(jī)器學(xué)習(xí)-自動鎖模技術(shù)通過各種智能化算法和控制腔內(nèi)參數(shù)來設(shè)計反饋電路（如偏振控制）。最終產(chǎn)生的激光器無需人工輔助控制，達(dá)到自動啟動鎖定且鎖定到不同的模式狀態(tài)，并且具有優(yōu)秀的抗環(huán)境干擾性能［46-49］。研究初期，實(shí)驗(yàn)結(jié)合了算法反饋回路和腔內(nèi)參數(shù)兩方面的控制，實(shí)際上是對非線性演化光纖激光器的概念驗(yàn)證與數(shù)值模擬?；诖?，光子結(jié)構(gòu)方面首先研制了基于壓電器的自動偏振控制器和自制的高速全光纖振幅分度偏振計的組合，成為自動鎖模的開創(chuàng)性工作［50］，但這個模型很快被電控偏振控制器所取代［51］。進(jìn)一步地，識別非線性偏振演化（Nonlinear Polarization Evolution，NPE）激光器中的自啟動機(jī)制的研究受到關(guān)注，經(jīng)歷了遍歷算法搜索偏振狀態(tài)與脈沖計數(shù)來判別鎖模區(qū)域［52］、高速光電探測器自動鎖模電路開發(fā)［53］、進(jìn)化算法與兩個電控偏振控制器的組合［54］，直到六個計數(shù)器同步計數(shù)與現(xiàn)場可編程門陣列（Field-Programmable Gate Array，F(xiàn)PGA）開啟了實(shí)時可編程控制的先河［55］。算法方面完成了由復(fù)合適應(yīng)度函數(shù)、遺傳算法再到神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)變，朝著耗時性能優(yōu)、簡化精確與適應(yīng)多變量的趨勢發(fā)展?，F(xiàn)已實(shí)現(xiàn)NPE、環(huán)形腔、“8”字形等各種激光腔型在不同機(jī)制下的自調(diào)整與控制。根據(jù)參數(shù)的精確選擇，可以鎖定包括基頻、高階諧波、調(diào)Q、連續(xù)波激光、類噪聲脈沖、Q 開關(guān)、多重脈沖和束縛態(tài)等各種體制，促進(jìn)了特定模式鎖定狀態(tài)的精確再生，現(xiàn)已形成分析復(fù)雜非線性動力學(xué)的標(biāo)準(zhǔn)方法［56-59］。圖1是機(jī)器學(xué)習(xí)策略下超快光纖激光器的基礎(chǔ)架構(gòu)，其中光子系統(tǒng)包括泵浦源（LD）、波分復(fù)用器（Wavelength Division Multiplexer，WDM）、摻鉺光纖（Er-Doped Fiber，EDF）、偏振無關(guān)隔離器（Polarization Independent-Isolator，PI-ISO）、人工智能飽和吸收器（Artificial Intelligence-Saturable Absorber，AI-SA）、光耦合器（Optical Coupler，OC）和光電探測器（Photodetector，PD）。反饋系統(tǒng)包括電控偏振控制器（Electric polarization controller，EPC）、現(xiàn)場可編程門陣列（FPGA）、數(shù)模轉(zhuǎn)換器（Digital to Analog Converter，DAC）和智能算法（AI-Algorithm）。輸出特性由測量系統(tǒng)進(jìn)行分析，包括光學(xué)頻譜分析儀、示波器、自相關(guān)儀、射頻頻譜分析儀。通過將機(jī)器學(xué)習(xí)算法驅(qū)動到反饋電路系統(tǒng)控制的光電子器件中，通過訓(xùn)練算法即可達(dá)到快速參數(shù)選擇的最佳操作，最終將系統(tǒng)鎖定到所需區(qū)域。

圖1 機(jī)器學(xué)習(xí)策略下反饋環(huán)路控制腔內(nèi)元素和算法控制的自動鎖模超快光纖激光器的基礎(chǔ)架構(gòu)Fig.1 Infrastructure of machine-learning strategies for automatic mode-locking ultrafast fibre lasers using control of intracavity elements via a feedback loop and control algorithm

2 機(jī)器學(xué)習(xí)策略下算法的實(shí)現(xiàn)

算法改變了基于經(jīng)驗(yàn)設(shè)計的方式。它通過多維度觸發(fā)式的策略，利用較短的耗時來執(zhí)行非正態(tài)式分布式信息處理，最大程度的適應(yīng)光子結(jié)構(gòu)本身不可預(yù)測的性質(zhì)。時間復(fù)雜度和全局優(yōu)化能力是算法重要的衡量指標(biāo)。為了高效且準(zhǔn)確地搜索龐大且復(fù)雜的偏振空間，需要不斷優(yōu)化算法的目標(biāo)函數(shù)，從而減少運(yùn)行時間。在超快光子系統(tǒng)中，機(jī)器學(xué)習(xí)算法應(yīng)用于特定光子的預(yù)訓(xùn)練，用于實(shí)時優(yōu)化和調(diào)優(yōu)。本節(jié)將回顧算法策略及在超快光子學(xué)中控制和表征的應(yīng)用。

2.1 超快光子學(xué)的機(jī)器學(xué)習(xí)算法

在未來數(shù)據(jù)規(guī)模爆炸式發(fā)展的推動下，探索超短脈沖所產(chǎn)生巨大的參數(shù)空間顯得尤為重要。算法提供了在不同目標(biāo)、功能、體系情況下數(shù)據(jù)驅(qū)動策略，從而構(gòu)建具有更好魯棒性的光子系統(tǒng)。以下將列舉目前具有代表性的三種算法策略，見圖2。

圖2 算法策略Fig.2 Algorithm policies

1）高級搜索（Advanced Rosenbrock searching，ARS）。該算法是一種無約束直接搜索方法。通過預(yù)先設(shè)定連續(xù)搜索失敗最大值參數(shù)。當(dāng)超過閾值優(yōu)化將立即終止。隨后，一個新的搜索從新的隨機(jī)點(diǎn)開始。具有獨(dú)特的退出機(jī)制，避免適度選擇。算法目標(biāo)根據(jù)激光的工作范圍選擇時域波形或快速傅里葉變換（Fast Fourier transform，F(xiàn)FT）結(jié)果的某些特殊特征。

2）遺傳算法（Genetic Algorithm，GA）。它的靈感來源生物進(jìn)化中的自然選擇概念，從而產(chǎn)生進(jìn)化的算法。首先用靈巧度函數(shù)評估基因（系統(tǒng)參數(shù)）的初始（隨機(jī)）染色體，根據(jù)適應(yīng)度評分利用親本選擇傳至下代。繁殖包括父母的基因交叉以及引發(fā)下一代突變導(dǎo)致個體基因隨機(jī)改變。包括最好的個體克隆給下一代的精英主義。遺傳算法通過選擇、交叉和變異，避免堅持局部最優(yōu)，使其具有天然的優(yōu)勢。

3）深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNNs）。該算法模仿生物神經(jīng)網(wǎng)絡(luò)，采用數(shù)據(jù)驅(qū)動的方法允許模型從大量數(shù)據(jù)中自動發(fā)現(xiàn)有用的信息，進(jìn)行分布式并行信息處理。依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，推斷潛在變量和自適應(yīng)學(xué)習(xí)。這與基于物理或規(guī)則的方法形成鮮明對比。前饋神經(jīng)網(wǎng)絡(luò)（Feed-forward neural networks，F(xiàn)NN）使用一種稱為“貪婪分層預(yù)訓(xùn)練”的策略進(jìn)行有效訓(xùn)練。信息從輸入層通過隱含層向前傳遞到輸出層。使用各種權(quán)重和非線性激活函數(shù)對數(shù)據(jù)進(jìn)行操作，以及一個計算網(wǎng)絡(luò)輸出層，用于回歸或分類。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）是一種特殊類型的前饋神經(jīng)網(wǎng)絡(luò)，其中輸入被一組過濾器或內(nèi)核卷積，進(jìn)行非線性處理。然后，產(chǎn)生的特征圖被池化函數(shù)采樣，通過將附近的點(diǎn)合并為一個單一的值來降低數(shù)據(jù)的維度。卷積和池化操作之后，還可以增加卷積層，從以前的特征圖中提取進(jìn)一步的相關(guān)信息。最后，輸出可以被強(qiáng)化為向量形式，用于分類或回歸任務(wù)。

2.2 算法策略在超快光子結(jié)構(gòu)中的實(shí)現(xiàn)

對應(yīng)上節(jié)的算法策略，我們將介紹其在超快光子學(xué)中實(shí)現(xiàn)的技術(shù)手段。

1）高級搜索策略。光纖雙折射固有的隨機(jī)性一直是光纖激光器精確建模和優(yōu)化性能的主要技術(shù)突破點(diǎn)。超快光子系統(tǒng)中的其他物理參數(shù)（如克爾非線性，色散特性）都可在理論模型中表征，但雙折射對環(huán)境因素（如彎曲，扭曲，各向異性應(yīng)力，溫濕度等）非常敏感，導(dǎo)致其隨機(jī)變化［60］。這樣的系統(tǒng)需要數(shù)據(jù)驅(qū)動建模方法對雙折射進(jìn)行分類［61］。建立腔體雙折射值映射庫與偏振器電壓值的訓(xùn)練模型。通過改變不同角頻率下波片及偏振器角度，從而產(chǎn)生目標(biāo)函數(shù)的時間序列。然后用奇異值分解進(jìn)行降維，并連接到模態(tài)庫，對激光器的雙折射進(jìn)行分類，最終獲得環(huán)面搜索的最佳位置。采用可識別的判別模式和直接測量的方式，具有較高的直觀性和便捷性。同時具有代表性的是采取Rosenbrock 搜索算法、隨機(jī)碰撞恢復(fù)算法和各個區(qū)域識別相結(jié)合的方式，與手動鎖模過程中行為特點(diǎn)相似的類人算法［62］。針對不同的操作制度設(shè)定一系列的目標(biāo)函數(shù)，在提升時間性能、可移植性、多體系輸出、靈活性方面具有潛力。

2）改進(jìn)遺傳算法。在傳統(tǒng)的判別準(zhǔn)則和搜索算法之上提出改進(jìn)遺傳算法［63］，以進(jìn)一步提高算法耗時性能。核心思想是在適應(yīng)度計算過程中同時判斷當(dāng)前是否達(dá)到目標(biāo)狀態(tài)的操作。當(dāng)檢測到期望狀態(tài)時算法立即停止搜索，從而減少算法的運(yùn)行時間。之后根據(jù)識別順序進(jìn)入監(jiān)測階段。當(dāng)檢測到脫離時，再次發(fā)射遺傳算法自動恢復(fù)到所需狀態(tài)。在搜索罕見狀態(tài)時，其具有的全局優(yōu)化能力顯示出耗時性能上巨大的優(yōu)勢。另一種通過搜索遍歷非線性偏振演化的偏壓值實(shí)現(xiàn)鎖模光纖激光器系統(tǒng)的自優(yōu)化［64］。根據(jù)激光輸出的射頻頻譜特征定義目標(biāo)函數(shù)，同時控制非線性偏振演化傳遞函數(shù)來訪問目標(biāo)函數(shù)，可實(shí)現(xiàn)多模式下的操作機(jī)制。它為超快光子在高動態(tài)、非平穩(wěn)工作機(jī)制下（如孤子爆炸、罕見體系、間歇性非線性機(jī)制等）復(fù)雜動力學(xué)的探索和優(yōu)化開辟了一條新的途徑。

3）深度神經(jīng)網(wǎng)絡(luò)。為了平衡機(jī)器學(xué)習(xí)的訓(xùn)練和運(yùn)行時間，需要對數(shù)據(jù)實(shí)時演進(jìn)，這樣可以達(dá)到高效利用數(shù)據(jù)的效果。在某種程度上，深度學(xué)習(xí)與遺傳算法有相似之處，前者的優(yōu)勢在于使用大量預(yù)先收集的訓(xùn)練數(shù)據(jù)，將設(shè)計范圍擴(kuò)大到遠(yuǎn)遠(yuǎn)超出優(yōu)化方法所能達(dá)到的范圍。通過潛在的變量和生成模型避免探索不必要的解決方案［70-72］。而后者主要在進(jìn)化過程中探索數(shù)據(jù)空間［68-69］。另外，光子結(jié)構(gòu)具有特定應(yīng)用的模型架構(gòu)，或從其他領(lǐng)域移植成型的特點(diǎn)。這就需要具有局部語義相關(guān)性的卷積神經(jīng)網(wǎng)絡(luò)（CNNs），以及處理結(jié)構(gòu)化輸出條件的深度生成模型來匹配［73-74］。更重要的是，超快光子系統(tǒng)實(shí)現(xiàn)長期穩(wěn)定的運(yùn)行是另一個關(guān)鍵目標(biāo)。環(huán)境條件的變化導(dǎo)致性能下降主要取決于訓(xùn)練和測試過程中所探索的參數(shù)空間和機(jī)制。因此，包含各種環(huán)境變化的訓(xùn)練數(shù)據(jù)是重要的。

在此背景下，一種低延遲深度強(qiáng)化學(xué)習(xí)算法［75］超快光纖激光器被提出。該算法包含兩個修改腔內(nèi)偏振策略的訓(xùn)練網(wǎng)絡(luò)和兩個評估網(wǎng)絡(luò)組成。在有效性方面，通過驗(yàn)證訓(xùn)練后的網(wǎng)絡(luò)模型性能，可以達(dá)到自動鎖定且快速失鎖狀態(tài)的情況下也能瞬間恢復(fù)。在魯棒性方面，建立不同溫度環(huán)境數(shù)據(jù)庫。通過訓(xùn)練模型對其性能進(jìn)行測試。平均鎖?；謴?fù)時間為1.948 s，系統(tǒng)中最短的鎖模狀態(tài)恢復(fù)時間為0.476 s。數(shù)據(jù)之間的反饋延遲算法和激光腔通過無線網(wǎng)絡(luò)系統(tǒng)完成，為遠(yuǎn)程維護(hù)和集中控制提出了解決方案。

另一種具有代表性的自調(diào)諧激光器將深度學(xué)習(xí)與基于數(shù)值模擬的模型預(yù)測控制（Model Predictive Control，MPC）相結(jié)合［76］。由于雙折射隨時間變化且無法直接測量，如果不進(jìn)行控制會逐漸偏離目標(biāo)函數(shù)，最終導(dǎo)致無法鎖模。MPC 通過遞歸神經(jīng)網(wǎng)絡(luò)（RNN）自行訓(xùn)練目標(biāo)函數(shù)下的輸入數(shù)據(jù)以獲得足夠的訓(xùn)練數(shù)據(jù)，在雙折射隨機(jī)漂移的情況下保持脈沖狀態(tài)。同樣，采用變分自編碼器（Variational Auto-Encoder，VAE）以自優(yōu)化的方式訓(xùn)練數(shù)據(jù)［77-78］也可以推斷真實(shí)雙折射狀態(tài)。它們都具有良好的魯棒性能，現(xiàn)已成為在強(qiáng)非線性系統(tǒng)中先進(jìn)的控制體系結(jié)構(gòu)［77-81］。

在這些研究中，算法經(jīng)歷了從局部到全局優(yōu)化趨勢的演變。高級搜索算法基于特定適應(yīng)度或目標(biāo)函數(shù)，監(jiān)控單一參數(shù)且只收斂到局部最優(yōu)，限制了操作機(jī)制的同步優(yōu)化功能。在此基礎(chǔ)上設(shè)計遺傳算法解決這一瓶頸，但暴露了相對較慢收斂速度的缺點(diǎn)。隨著機(jī)器學(xué)習(xí)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)得到了廣泛普及，研究人員從理論上認(rèn)識到模型結(jié)構(gòu)深度的重要性，在可用數(shù)據(jù)規(guī)模不斷擴(kuò)大的趨勢下極大縮短了時間成本。目前，深度神經(jīng)網(wǎng)絡(luò)已被應(yīng)用于脈沖整形的控制［65］、不同非線性傳播模式的分類［66-67］以及控制復(fù)雜的非線性動力學(xué)中。然而，由于其需大量的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練基礎(chǔ)，并且精確的建模需要廣泛的參數(shù)。這對于初期研究來說仍具有挑戰(zhàn)性。但可以預(yù)見，深度神經(jīng)網(wǎng)絡(luò)互連的高性能優(yōu)勢將會成為超快光子集成產(chǎn)業(yè)化的未來趨勢。

3 機(jī)器學(xué)習(xí)策略下反饋模型的實(shí)現(xiàn)

在本節(jié)，我們將討論相關(guān)的反饋模型及在解決光子學(xué)問題中的應(yīng)用。機(jī)器學(xué)習(xí)策略下的超快光子工程試圖將智能算法的元素移植到能夠反映其大規(guī)模分布式特性的硬件上，將硬件與算法相匹配，可能會帶來更快、更節(jié)能的信息處理，以致力于光電結(jié)構(gòu)的集成創(chuàng)新［82-86］。

3.1 反饋模型下控制元件的設(shè)計

通用的電子電路或微控制器驅(qū)動的光子器件成為目前光子平臺在電子領(lǐng)域常見的構(gòu)建模塊，如邏輯門［87-88］、高級編譯器［89］、存儲器［90-91］和模擬數(shù)字互轉(zhuǎn)［17，92-93］等。但模擬電光接口的電子存儲器因只適合存儲特定類型的數(shù)據(jù)，精度和噪聲有限［94-95］。在集成光子學(xué)中，高速光電轉(zhuǎn)換器件對電路進(jìn)行預(yù)編程使其主動微調(diào)，有助于抵消如溫度和振動環(huán)境的變化，從而對變量和環(huán)境敏感性進(jìn)行校正［96-97］。下文將對現(xiàn)階段主要用于光子模型的可驅(qū)動控制元件進(jìn)行討論。

1）鈮酸鋰（LiNbO3）偏振控制器。由于鈮酸鋰（LiNbO3）晶體獨(dú)特的非線性光學(xué)特性、覆蓋中紅外波長的寬透明窗口和強(qiáng)大的電光系數(shù)［98-103］，目前已成為具有巨大潛力的光子平臺。鈮酸鋰（LiNbO3）與納米光子波導(dǎo)相結(jié)合，加速了集成非線性光子學(xué)的發(fā)展。目前，相干技術(shù)的一個復(fù)雜之處在于需要傳輸?shù)墓庑盘柵c來自本振信號之間的偏振匹配。由于傳輸信號的偏振狀態(tài)會隨著光纖的溫度、應(yīng)力和濕度的變化而波動，導(dǎo)致輸出電信號出現(xiàn)衰落，而集成在鈮酸鋰襯底上的寬帶光偏振控制器能在極短的時間內(nèi)通過偏壓信號進(jìn)行偏振模式匹配，實(shí)現(xiàn)偏振自動檢測、控制、識別、調(diào)控的技術(shù)要求。并且，它在接收靈敏度、調(diào)制頻率、能源消耗、體積、可靠性，（多級）極化移位鍵控等方面具有諸多優(yōu)勢，可以在皮秒時間尺度上進(jìn)行大規(guī)模超低損耗光子電路的設(shè)計，是符合未來智能化發(fā)展趨勢的光電子技術(shù)。

2）微控制單元（Microcontroller Unit，MCU）。MCU 采用檢測偏振態(tài)的不連續(xù)跳躍來實(shí)現(xiàn)自動模式鎖定［47］。模式鎖定取決于映射機(jī)制，但是無法達(dá)到實(shí)時的優(yōu)化調(diào)諧。在此基礎(chǔ)上開發(fā)的基于光纖的快速振幅偏振計（Division-Of-Amplitude Photopolarimeter，DOAP）和基于壓電擠壓機(jī)進(jìn)行自動偏振控制（Advanced Process Control，APC）的非線性偏振旋轉(zhuǎn)鎖模（Nonlinear Polarization Rotation，NPR）摻鉺光纖激光器［50］。通過APC 掃描Poincaré 球體，獲得所有可能偏振狀態(tài)的映射，建立偏振態(tài)與脈沖持續(xù)時間、中心波長和平均輸出功率參數(shù)之間的關(guān)系。之后，利用入射光投射到不同偏振方向的功率分布得到其偏振狀態(tài)，施加數(shù)值濾波器即可得到偏振狀態(tài)對應(yīng)的鎖模區(qū)域。這種方案極大地降低了模式鎖定的相關(guān)參數(shù)之間的映射時間。

3）“8”字型非線性放大環(huán)路的電子控制［57］。采用非線性放大環(huán)路鏡（Nonlinear Amplifying Loop Mirror，NALM）（包括電控偏振控制器（EPC）與四個四分之一波片（Quarter-Wave Plates，QWPs））作為人工飽和吸收器構(gòu)成全光纖超快光纖激光器?？刂撇糠钟蓡蜗蚝碗p向環(huán)組成，雙向環(huán)誘導(dǎo)差分相位從而產(chǎn)生功率，促進(jìn)主激光腔中的脈沖產(chǎn)生。NALM 從時間波形、光譜和頻譜中提取三個分量的等加權(quán)和，提出非線性傳遞函數(shù)調(diào)節(jié)可飽和吸收器以實(shí)現(xiàn)穩(wěn)定的超短脈沖。但此種策略電子集成度低和可移植性差導(dǎo)致了延遲較高和無法重復(fù)。在此基礎(chǔ)上研究人員進(jìn)行了技術(shù)改進(jìn)，利用納秒光電探測器確定皮秒級激光的脈沖持續(xù)時間［104］。激光腔由兩個單向的光纖回路和雙向的非線性放大環(huán)路鏡組成，使用離散傅里葉變換（Discrete Fourier Transform，DFT）跟蹤技術(shù)、濾波噪聲和不穩(wěn)定信號產(chǎn)生機(jī)制，可以單從示波器提取的數(shù)據(jù)準(zhǔn)確預(yù)測時間寬度、光譜和射頻頻譜的脈沖特性。該技術(shù)為復(fù)雜激光系統(tǒng)的緊湊型、低成本的反饋控制系統(tǒng)奠定了基礎(chǔ)。

4）現(xiàn)場可編程門陣列（FPGA）。以FPGA 為計算中心，ADC 和DAC 分別進(jìn)行數(shù)據(jù)采集和反饋數(shù)據(jù)的控制架構(gòu)，已經(jīng)展現(xiàn)出了良好的耗時性能［64，105］?？焖俑道锶~變換分析作為光譜鑒別判據(jù)，結(jié)合智能偏振搜索算法，建立光譜和時域脈沖之間的映射，以達(dá)到實(shí)時光譜采集和分析控制。這為傳統(tǒng)鎖模激光器無法觀察到的超短脈沖的形成過程提供了一種視角。

3.2 機(jī)器學(xué)習(xí)策略下模型架構(gòu)的分析

通過反饋模型下控制元件的設(shè)計，我們總結(jié)了建立模型的指導(dǎo)原則，闡釋了如何應(yīng)用這些模型的通用方式與關(guān)鍵因素。1）光子芯片。制作工藝著眼于平衡光子性能與模擬或數(shù)字控制的電子電路［110-112］。通過EPC 施加直流模擬信號（偏置電壓/電流）、FPGA 實(shí)時可編程控制系統(tǒng)（例如反饋、算法等）、電子接口（數(shù)模轉(zhuǎn)換器（DAC）和模數(shù)轉(zhuǎn)換器（ADC））及光電子電路，實(shí)現(xiàn)電子模塊獨(dú)立優(yōu)化，與對應(yīng)的光學(xué)元件共存的效果。2）建立材料數(shù)據(jù)庫。利用半導(dǎo)體介質(zhì)、石墨烯等二維材料作為可飽和吸收器，將線性和非線性光學(xué)特性對材料參數(shù)的依賴關(guān)系集成到訓(xùn)練過程中，獲取最佳制備與沉積參數(shù)。最終達(dá)到優(yōu)化材料特性的目的，從而驅(qū)動高質(zhì)量脈沖輸出［107-109］。3）光電子互聯(lián)計算。作為計算處理中樞系統(tǒng)，光電器件對光子信息處理實(shí)現(xiàn)了光電轉(zhuǎn)換及傳輸速率的提升［113］。但是，其系統(tǒng)的局限性越來越多地體現(xiàn)在數(shù)字到模擬和電子到光子的域交叉上。相比之下，光子DAC［114］在能源效率和延遲方面實(shí)現(xiàn)了無縫轉(zhuǎn)換。未來，光子DAC 將會構(gòu)建高采樣率與精度、低失真與功耗，比電子更少受到抖動或電磁噪聲影響的光電子互聯(lián)系統(tǒng)。4）泵浦光源。作為光子轉(zhuǎn)換效率和可擴(kuò)展性的關(guān)鍵，光源在熱效率、集成兼容性、可伸縮性和溫度穩(wěn)定性方面發(fā)揮了決定性作用［115］。通過智能泵浦參數(shù)反饋，可降低多脈沖不穩(wěn)定性以提高所需區(qū)域穩(wěn)定性。另外，通過自動控制泵浦功率來降低連續(xù)波輻射，以最小的泵浦功率獲得最大的脈沖峰值功率，從而提高能效。5）混沌和不穩(wěn)定性脈沖分析。非相干噪聲如何自組織產(chǎn)生相干呼吸結(jié)構(gòu)已引起廣泛的研究興趣［116-119］。然而，在超快時間尺度上捕捉這種混沌狀態(tài)仍具有很大的復(fù)雜性。機(jī)器學(xué)習(xí)利用時間拉伸色散傅里葉變換（Time Stretch Dispersive Fourier Transformation，TS-DFT）的快速光譜分析，同時采用延時輔助實(shí)時脈沖控制器（Time-Stretch-Assisted Real-Time Pulse Controller，TSRPC）和算法相結(jié)合，為脈沖動力學(xué)的研究搭建了平臺。

表1 總結(jié)了目前為止該領(lǐng)域取得的一些代表性結(jié)果。從控制元件、目標(biāo)函數(shù)、算法設(shè)計三個角度進(jìn)行對比分析，總結(jié)了各光子系統(tǒng)的優(yōu)缺點(diǎn)。在大多數(shù)研究中，反饋設(shè)計通常使用高級搜索、遺傳進(jìn)化算法再到神經(jīng)網(wǎng)絡(luò)。進(jìn)一步提高自動鎖模的性能需要從包括脈沖生成機(jī)制模型在內(nèi)的算法來提供更有針對性的控制。我們可以預(yù)見，利用機(jī)器學(xué)習(xí)進(jìn)行模式識別，能夠更好的了解超快激光的動態(tài)，從而打造穩(wěn)定性更好的激光系統(tǒng)。

表1 機(jī)器學(xué)習(xí)策略下超快光纖激光器設(shè)計方法與性能的比較Table 1 Comparison of design methods and performance of ultrafast fiber lasers based on machine learning strategy

續(xù)表

續(xù)表

4 挑戰(zhàn)與未來研究前景

圖3 是機(jī)器學(xué)習(xí)策略下超快光子學(xué)設(shè)計的核心概念和相應(yīng)的實(shí)現(xiàn)方法。這些方法已經(jīng)應(yīng)用到了超快光子設(shè)計的特定領(lǐng)域，證明了機(jī)器學(xué)習(xí)方法在推動下一代超快光子技術(shù)方面具有的特殊潛力。可以看出，機(jī)器學(xué)習(xí)策略下超快光子學(xué)的發(fā)展具有極大的潛力。一方面，從硬件來說，將激光系統(tǒng)各模塊智能化是一個重要的發(fā)展方向。到目前為止，光學(xué)技術(shù)主要是在有限的設(shè)計空間中進(jìn)行優(yōu)化，這在很大程度上限制了光子結(jié)構(gòu)，進(jìn)一步發(fā)展先進(jìn)的混合方案將是解決此挑戰(zhàn)的關(guān)鍵一步，而智能光電子器件的組合將極大的促進(jìn)激光器的先進(jìn)水平，擴(kuò)大光子的設(shè)計空間，以實(shí)現(xiàn)目標(biāo)系統(tǒng)的最佳性能。另一方面，從算法的角度出發(fā)。為了在反饋中控制更多維變量，算法的效率就顯得至關(guān)重要。到目前為止，大多數(shù)設(shè)計是基于遺傳算法或神經(jīng)網(wǎng)絡(luò)架構(gòu)。雖然這些算法的實(shí)現(xiàn)無疑帶來了顯著和開拓性的結(jié)果，但事實(shí)上，要挖掘機(jī)器學(xué)習(xí)的全部潛力，需要將多種策略結(jié)合起來。從實(shí)驗(yàn)數(shù)據(jù)中揭示模型，經(jīng)無數(shù)數(shù)據(jù)挖掘后形成神經(jīng)網(wǎng)絡(luò)，建立目標(biāo)與參數(shù)之間無限訓(xùn)練關(guān)系，這將極大優(yōu)化超快激光快速定位所需運(yùn)行狀態(tài)的耗時性能［129-130］。此外，包括聚類、期望最大化等無監(jiān)督學(xué)習(xí)算法具有從沒有標(biāo)記響應(yīng)的數(shù)據(jù)中推斷和揭示隱藏內(nèi)部結(jié)構(gòu)的能力，可對非線性復(fù)雜系統(tǒng)降維等關(guān)鍵問題產(chǎn)生重大作用。同樣，通過監(jiān)測收集環(huán)境各項(xiàng)信息來實(shí)時調(diào)整參數(shù)作為深度學(xué)習(xí)模型的正則化器，以確保光學(xué)研究依賴于穩(wěn)定和長久性。在未來，如何提升智能光子系統(tǒng)的可移植性以及作為特定產(chǎn)品如何設(shè)計推理模型是探索下一代超快光子技術(shù)的重要課題。

圖3 機(jī)器學(xué)習(xí)策略下超快光子學(xué)的主要原理和設(shè)計Fig 3 The main principles and design of ultrafast photonics under machine learning strategies

5 結(jié)論

本文綜述了機(jī)器學(xué)習(xí)策略下超快光子的模型架構(gòu)，介紹了從算法及目標(biāo)函數(shù)體系的演變到智能化模型架構(gòu)的設(shè)計，概括了未來的設(shè)計思想與趨勢，對比分析了現(xiàn)階段的研究現(xiàn)狀。人工智能背景下機(jī)器學(xué)習(xí)與超快光子學(xué)前沿交叉技術(shù)的融合，采用了非常規(guī)的方式為我們提供了無與倫比的光子視角。這種融合了計算機(jī)科學(xué)、光子學(xué)和材料平臺的交叉技術(shù)將實(shí)現(xiàn)獨(dú)特功能的大規(guī)模光子設(shè)計以及光學(xué)表征的新方法，為高效的能量轉(zhuǎn)換系統(tǒng)奠定了基石。我們設(shè)想，基于多步機(jī)器學(xué)習(xí)策略的全局優(yōu)化框架可以構(gòu)建一個更加通用的智能超快光子系統(tǒng)，第一步，定義器件的主要目標(biāo)功能并確定適當(dāng)?shù)墓庾痈拍钜蕴峁┳罴研阅?；第二步，選擇合適的材料平臺建立廣泛的光學(xué)材料數(shù)據(jù)庫，通過使用所選材料屬性，提供材料器件的優(yōu)化設(shè)計方案；第三步，確定合適的制造條件（生長條件、摻雜水平、化學(xué)計量等）和集成方案。新的光子結(jié)構(gòu)和機(jī)器學(xué)習(xí)之間的相互作用可能會克服當(dāng)前計算方法和系統(tǒng)的局限性，在光物質(zhì)相互作用和解鎖新的器件概念方面具有無與倫比的能力，并可能將超快光子學(xué)研究引向新的領(lǐng)域，從而迎來一個更加光明的人工智能時代。