环形掺铒光纤激光器智能设计的人工智能模型构建及其性能优化研究

《IEEE Photonics Journal》：The Construction of an Artificial Intelligence Model for the Intelligent Design of Ring Erbium-Doped Fiber Lasers

针对环形掺铒光纤激光器(EDFL)设计依赖低效人工调整、多参数非线性耦合难题，本研究提出融合物理模型与全连接神经网络的双通道AI模型。通过构建105量级仿真数据集，实现输出功率预测误差仅3.91%、设计周期缩短至2小时的突破，为光纤激光器智能设计提供新范式。

　　

在光通信、光纤传感和激光导航等领域，环形掺铒光纤激光器（Erbium-Doped Fiber Lasers, EDFLs）作为第三代光纤激光器的核心代表，凭借其高效率和窄线宽等优势发挥着重要作用。然而，其性能设计长期面临严峻挑战——环形腔结构、泵浦配置以及吸收/发射截面等5个关键参数之间存在复杂的非线性耦合关系，传统设计方法主要依赖低效的逐参数经验搜索，不仅难以获得全局最优解，还导致设计周期长达数天甚至数周。更棘手的是，现有优化方法多聚焦单参数调整，且普遍采用基于实验数据的正向设计思路，无法实现性能指标与结构参数的双向推导，严重制约了高性能环形光纤激光器的研发效率。

为突破这一瓶颈，南昌大学罗岚团队在《IEEE Photonics Journal》发表研究，开创性地构建了一种用于环形掺铒光纤激光器智能设计的人工智能模型。该模型巧妙地将激光器理论机制与三层全连接神经网络相结合，通过新型双通道神经网络架构，既能够预测不同参数组合下的输出特性，又可从目标性能指标反推结构参数。研究团队首先建立了环形激光器的理论模型，推导出输出功率与关键参数的数学关系（如公式(5)所示），并基于此开发了仿真程序生成包含10⁵条样本的数据集。参数范围覆盖了掺铒光纤长度L（5-15 m）、铒离子浓度N_Er（10²⁴-10²⁵ ions·m^-3）、光学耦合器分光比k（0-1）等工程常用值，确保模型具备广泛的适用性。

技术上，模型采用双通道架构：正向预测网络通过5维输入层、两个256节点隐藏层和1维输出层实现参数到性能的精确映射，使用Sigmoid激活函数和Adam优化器（学习率0.001）最小化均方误差；反向反演网络则基于可微分编程原理，冻结正向网络参数后通过梯度下降搜索最优参数组合，并引入非负性和物理约束确保可行性。训练过程中，损失函数稳定收敛至0.0002（图4），证明模型具有优秀的拟合能力。

模型验证与误差分析

通过系统测试发现，正向预测网络输出的功率P_predict与理论值P_theory的均方误差低至3.88×10^-8，而反演参数计算的理论输出与目标输出P_target的平均相对误差仅为1.48%（表III）。特别值得注意的是，当目标功率按固定步长递增时，P_predict和P_theory的线性拟合系数分别达到0.9998和0.9972，表明双通道网络协同工作时具有高度一致性。

实验验证与性能对比

团队进一步搭建了基于980 nm泵浦源的三级环形掺铒光纤激光器实验系统（图6），针对毫瓦级目标输出功率开展验证。结果表明：对于0.00400 W和0.00110 W两个目标值，实验输出功率与理论值的相对误差分别为0.92%和3.91%，远低于行业5%的误差标准。相较于传统有限元法（FEM）、遗传算法（GA）等需要重复计算的优化方法，本模型仅需单次训练即可实现秒级参数预测，在需要高频参数迭代的实际场景中优势显著。

该研究通过物理模型与数据驱动的深度融合，成功构建了具备物理约束的双通道神经网络架构。模型不仅实现了环形掺铒光纤激光器多参数协同优化的突破性进展——将设计精度提升至98.5%以上、设计效率提高数十倍，更开创了光纤激光器智能设计的新范式。其方法论可直接推广至其他三能级环形光纤激光器系统，为高精度激光器在量子通信、精密测量等领域的应用提供了关键技术支撑。这项成果标志着光纤激光器设计正式迈入智能化时代，对推动光电子器件逆向设计的发展具有里程碑意义。