深度学习代理模型，破解非线性光学模拟速度瓶颈

研究人员开发了一种基于深度学习的代理模型，极大加速了先进激光系统中非线性光学过程的模拟。模拟超快激光系统背后的复杂光学行为需要巨大的计算能力，这为依赖快速反馈的实验带来了重大挑战。

来自斯坦福大学、加州大学洛杉矶分校（UCLA）和SLAC国家加速器实验室的研究人员，现开发了一种深度学习代理模型，能在保持高精度的前提下大幅提升模拟速度，且适用于各种激光脉冲形状。

非共线和频生成（SFG）的艺术效果图：两个红外脉冲在χ²晶体中混合，产生三个输出脉冲（绿色），其中中心的和频脉冲是主要关注的输出。上方的神经网络代表学习模拟这一耦合非线性混合过程

非线性光学与X射线产生
该研究聚焦于二阶非线性光学（即χ²过程）。在这些相互作用中，光波在特制晶体内部交换能量，产生新的频率和定制化的脉冲形状。

这些过程在粒子加速器设施中至关重要。在SLAC升级后的直线加速器相干光源（LCLS-II）中，红外激光脉冲首先被转换为绿光，然后转换为紫外光。紫外脉冲轰击阴极，释放出电子束，该电子束随后被加速和整形，以产生强大的X射线脉冲。

紫外脉冲的时序和形状直接影响电子束的行为，以及用于科学实验所产生的X射线的质量。这项关于非线性χ²频率转换过程的代理模型研究已发表在《Advanced Photonics》期刊上。

（a）非共线和频生成过程示意图：三个耦合光场（A₁、A₂、A₃）传播经过100个离散化的晶体薄层，在每个步骤中，LSTM代理模型替代传统的分步傅里叶求解器。（b）LSTM网络架构图，展示了循环层和全连接输出层

深度学习取代最慢步骤
传统模拟依赖使用分步傅里叶方法求解非线性薛定谔方程。该方法虽然非常精确，但计算成本高昂，因为它在每个传播步骤中需要在时域和频域之间反复切换。在完整的激光模拟中，此阶段占总运行时间的大约95%。

为解决这一瓶颈，研究人员改编了长短期记忆网络——一种先前用于光纤中脉冲传播建模的循环神经网络。新系统专为更复杂的、涉及多个相互作用光场的χ²环境而设计。

团队使用非共线和频生成过程测试了该模型。在该过程中，三个耦合的光场在多种不同脉冲条件下同时演化。这一设置提供了一个高标准的性能评估基准。

一个关键的设计选择是将计算完全保持在压缩的频域表示中。通过避免域间的重复转换，该模型显著降低了计算成本。

毫秒级模拟与高精度
该代理模型成功复现了多种条件下的时间域和光谱域脉冲轮廓，包括具有强相位调制和明显光谱空洞的情况。

通过使用批处理的GPU推理，平均模拟时间降至每个实例仅几毫秒，使系统比传统技术快数个数量级。研究人员还发现，当模型准确预测了主要的和频输出时，次要光场也与传统模拟结果高度吻合。

更广泛的目标是将这些代理模型直接集成到运行的激光系统中。其模块化设计允许用单独训练的代理模块来表示各个物理过程，从而创建能够与实时实验协同工作的预测模型。

未来，将快速机器学习代理与实时实验系统相结合，可以支持数字孪生、自适应控制方法，并与多种激光驱动研究设施中的诊断工具实现更紧密的集成。