[发明专利]基于深度学习的超短激光脉冲相位预测方法及其系统

说明书

本发明公开了一种基于深度学习的超短激光脉冲相位预测方法及其系统。具体工作方式如下：一束超短脉冲激光经非线性固体介质传输，测量得到脉冲学习进入介质前的光谱、能量信息以及通过介质后的脉冲光谱和能量信息，发送至深度学习计算平台进行传输后脉冲信息的预测。本发明通过理论数据及实验数据进行深度学习神经网络模型训练，采用深度学习神经网络模型对脉冲传输后进行参数预测的方法，相比于传统的脉冲相位信息测量，能有效提升测量效率并降低操作技术难度。

技术领域

本发明属于超快激光领域，具体涉及一种基于深度学习的超短激光脉冲相位预测方法及其系统。

背景技术

超快激光技术自发明以来，引起了人们极大的兴趣及重视。超快激光特有的皮秒(ps)或飞秒(fs)量级时间尺度、宽覆盖光谱成分以及高峰值功率，使得超快激光在众多科研领域和工业领域如时间分辨光谱学、频谱测量、阿秒科学、光显微成像、强场物理、生物光子学、飞秒加工制作等领域有重要意义。

超快激光脉冲宽度的时间尺度是在皮秒(ps)或飞秒(fs)量级，对于飞秒及更短时间尺度的脉冲来说，由于飞秒时间量级已经超出了电子响应速度的极限，因此不可能应用快速响应的电子仪器直接测量飞秒脉冲的时域特性，而需要新技术以确定其时间频率特性，飞秒激光脉冲的特性主要是强度和相位随时间的变化规律，在超快激光技术飞速发展的几十年来，现在已有的时域测量技术多是通过自相关，就是通过把入射光分为两束，让其中一束通过延迟线，再把两束光合并，通过一块倍频晶体或双光子吸收/发光介质，获得与光强的平方成正比的信号，改变延迟可得到一系列这样的信号，这个信号的强度相对延迟的函数即为脉冲的自相关信号，从而得出脉冲的时域信息；但是像是进行傅里叶变换就一定要知道脉冲的相位信息，而自相关法在相位测量是不可靠的，必须用其他方法测量相位，目前已有的传统相位测量方案如自参考光谱干涉(WIZZLER)、频率分辨光学开关法(FROG)，自参考光谱相干电场重建法(SPIDER)，色散扫描法(D-Scan)。

上述中的现有技术存在以下缺陷：例如，在对脉冲进行测量时，需要进行复杂的实验操作，且这些实验操作具有相当高的技术要求，且耗时较长。且在部分实验，例如固体介质传输中，除了需要知道脉冲通过固体后的相位信息还要知道脉冲通过固体前的信息，需要进行数次实验进行测量，方法繁琐。

发明内容

因此，本发明的目的在于克服现有技术中的缺陷，例如：超快激光脉冲时域信息测量实验若存在干扰，数据难以处理；测量实验技术门槛高，效率低下。本发明提供一种基于深度学习的超短激光脉冲相位预测方法及其系统。

在阐述本发明内容之前，定义本文中所使用的术语如下：

术语“WIZZLER”是指：使用自参考光谱干涉方法(self referenced spectralinterferometer SRSI)的一种商用产品。

术语“FROG”是指：频率分辨光学开关法。

术语“SPIDER”是指：基于光谱相位干涉法的直接电场重构Spectral PhaseInterferometry for Direct Electric-field Reconstruction(SPIDER)。

术语“D-Scan”是指：色散扫描法(Dispersion Scan)。

术语“YAG”是指：钇铝石榴石。

术语“PPLN”是指：周期极化铌酸锂晶体。

为实现上述目的，本发明的第一方面提供了一种基于深度学习的超短激光脉冲相位预测方法，该方法包括以下步骤：

(1)选定固体介质，通过含时薛定谔方程获得理论脉冲传输数据，通过脉冲相位测量装置获得实验数据，所述理论脉冲传输数据与所述实验数据构成训练数据；

(2)建立深度学习神经网络模型，设置模型参数；