编辑推荐：
为解决 GI-MMFs 中非线性脉冲长程时空动力学预测难题（现有深度学习方法需每步真实数据、忽略时空耦合且自回归误差累积），研究人员提出查询神经网络框架，含三种创新。实验显示 Conv-Query 精度优于 RNN，MAE 低，可用于其他复杂系统建模。
在光通信与光学领域，多模光纤（MMFs）因能突破单模光纤容量限制、展现丰富非线性光学现象而备受关注。其中，梯度折射率多模光纤（GI-MMFs）凭借周期性自成像特性，可实现时空锁模、超连续谱生成等单模光纤难以达成的效应，成为研究复杂时空非线性动力学的理想平台。然而，精准预测 GI-MMFs 中光脉冲的长程传播行为极具挑战：传统数值方法（如分步傅里叶法）计算耗时，深度学习方法虽被引入，却面临两大瓶颈 —— 自回归模型的误差随距离累积显著，且独立处理时空动力学忽略了两者的内在耦合。如何在无需每步真实数据校正的前提下，实现长距离、高精度的时空联合预测，成为制约 GI-MMFs 应用的关键科学问题。
为攻克上述难题，国内研究团队开展了 “基于查询神经网络的 GI-MMFs 光学时空动力学长程预测” 研究。该成果发表于《Expert Systems with Applications》，为光通信系统优化、新型光源设计等提供了关键技术支撑。
研究人员开发了基于查询机制的神经网络框架，核心技术包括：
- 查询预测方案：设计卷积隐式查询（Conv-Query）和 Transformer 显式查询（Trans-Query）两种模式，摒弃传统自回归的逐步预测逻辑，可直接靶向预测目标传播步的结果，从根本上消除误差累积，支持并行计算。
- 物理信息双编码系统（POS-CNT）：结合 GI-MMFs 的周期性自成像特性，将位置信息（如传播距离对应的自成像周期数）与光场内容信息（如时空场分布）编码至模型中，增强对物理规律的表征能力。
- 时空联合预测框架：构建时空网络间的双向信息交互机制，强化时空动力学的耦合建模，提升预测的物理一致性与精度。
关键研究结果
1. 隐式与显式查询方案的性能对比
通过数值模拟生成的 GI-MMFs 光脉冲传播数据集（光纤长度分别为 10、20、30 个自成像周期z_0，对应 480、960、1440 个采样点）验证发现，Conv-Query 在时空预测中表现优异：空间预测平均绝对误差（MAE）为 0.00047，时间预测 MAE 为 0.00018，接近数值模拟精度，且在 30z_0的长距离传播中性能保持稳定，显著优于循环神经网络（RNN）的自回归模式。尽管 Trans-Query 因注意力机制在捕捉复杂时空关系上具潜力，但在当前数据集规模下，Conv-Query 因更适配视觉特征（类似计算机视觉任务）而精度更优。
2. 长程预测的鲁棒性验证
对比传统 RNN 方法在分步预测模式下需每步真实数据校正的局限性，查询框架无需中间步监督，直接输出长程预测结果，避免了实际应用中难以获取逐点真实数据的困境。在 1440 步（30z_0）的长序列预测中，模型未出现显著性能衰退，证明其对误差累积的抑制效果显著。
3. 物理可解释性与泛化潜力
物理信息双编码系统的引入，使模型能有效利用 GI-MMFs 的周期性自成像特性，将传播距离的周期性（如z = n \cdot z_0）转化为位置编码，提升了对光场演化规律的建模效率。此外，该框架的查询机制具普适性，可迁移至流体力学、等离子体物理等其他含复杂时空动力学的非线性系统（如城市人群流动预测），展现了跨学科应用潜力。
结论与意义
该研究突破了传统深度学习在长程时空预测中的瓶颈，提出的查询神经网络框架通过物理先验与数据驱动的结合，实现了 GI-MMFs 中光脉冲传播的高精度、长距离预测，为光通信系统的实时优化、高功率光纤激光器设计等提供了高效计算工具。同时，其方法论为跨领域复杂系统的建模（如生物医学中的时空动态模拟）提供了新思路。未来可进一步探索 Trans-Query 在更大数据集下的潜力，及与实验数据的结合，推动理论模型向实际应用的转化。
