【Optics & Laser Technology】光纤布拉格光栅的深度学习反向设计

文章信息

题目（英文）：Chirped apodized fiber Bragg gratings inverse design via deep learning

作者：Ehsan Adibnia, Majid Ghadrdan*, Mohammad Ali Mansouri-Birjandi

单位：锡斯坦与俾路支斯坦大学 电气与计算机工程学院

期刊：Optics & Laser Technology181 (2025) 111766

DOI：10.1016/j.optlastec.2024.111766

一句话概括

本文利用深度学习实现了啁啾加权光纤布拉格光栅（FBG）的高效反向设计，大幅提高设计速度并显著降低计算成本。

研究背景与科学问题

光纤布拉格光栅是光通信与传感领域的重要基础器件，其性能优化长期受制于高度非线性的设计参数与复杂的谱响应关系。传统有限元法（FEM）与时域有限差分法（FDTD）虽然精度高，但计算量大、建模复杂，使得反向设计难以实现。如何在保持高精度的同时显著降低计算复杂度，是当前光子器件设计的关键瓶颈。

技术原理与创新点

本文提出基于深度学习（DL）的前向–反向模型框架，通过神经网络（DNN）建立起FBG结构参数与光谱响应之间的映射关系。

核心创新点包括：

构建11层全连接神经网络架构，实现光谱预测及反向设计；

将加权函数与啁啾参数编码为输入特征，以统一方式描述不同类型FBG；

在不依赖物理模型的情况下，实现复杂结构的快速谱响应预测与反推设计。

实验验证与性能

研究团队采用FDTD生成2.7×10⁴组训练数据，涵盖不同栅长、周期、折射率调制与加权分布。

前向模型误差：

2.2×10⁻²

反向模型误差：

1.6×10⁻²

速度提升：

比FDTD快约1000倍，比层剥算法快约100倍

DL模型预测的反射谱与真实计算结果高度吻合，验证了其在FBG反向设计中的可靠性与泛化能力。

学术贡献

构建了首个面向啁啾加权FBG的深度学习反向设计平台；

实现了FBG谱特性从“数据驱动”角度的高精度建模；

揭示DL模型在解决多参量光子器件设计中的潜力；

提供了可复现的开源代码与数据集，促进该领域算法共享。

局限性与未来方向

当前模型的性能仍依赖于训练数据的代表性，且对反设计过程的可解释性有待提升。

未来可探索：

结合物理模型与神经网络的混合设计策略；

推广至其他光子结构（如耦合器、微环谐振腔等）；

发展具备可解释机制的网络以揭示设计参数与光谱的内在物理关联。

总结

本文通过将AI引入光纤布拉格光栅设计领域，展示了深度学习在应对非线性反向设计难题中的强大潜力。该方法不仅极大节省了仿真时间，也为光通信与光子集成器件的智能化设计提供了新范式，对科研与工程实践具有重要启示意义。

图文赏析

图1啁啾加权光纤布拉格光栅结构示意图：展示了光栅三维构型及设计参数。

图2深度神经网络结构示意图：以FBG参数为输入，通过11层隐藏层预测光谱响应。

图3DNN预测光谱性能：(a) 训练损失收敛曲线；(b) 预测与真实光谱对比。

图4基于DL的FBG反向设计结果：(a) 训练损失下降趋势；(b) 目标与预测谱比较。

图5DL设计FBG的性能评估：包含带宽、旁瓣强度及反射率比较。

图6计算代价比较图：DL方法相较FEM与FDTD大幅缩短计算时间。

图7神经网络训练成本分析：不同层数与神经元配置下的计算需求评估。