Decomposing highly multimode fibers using a physics-driven neural network

doi:10.1117/1.apn.5.3.036007

Decomposing highly multimode fibers using a physics-driven neural network

2026-05-01

1

OA

AI

Nektarios Koukourakis

DOI：10.1117/1.apn.5.3.036007

原文链接

原文求助

摘要

En 中文

多模光纤（MMFs）在光通信、超薄光纤内窥镜系统和光纤激光器中发挥着越来越重要的作用。对通过有源和无源MMFs的光传播特性的表征引起了高度关注，因为许多线性光学现象从根本上依赖于多个空间模态之间的相互作用。通过模态分解（MD）获取精确的模态幅度和相位权重为研究物理效应提供了一种有用的手段。这促进了利用MMFs的电信、内窥镜、传感器和放大器等技术的进步。我们提出了一种未经训练的神经网络，借助多模波导的线性物理模型执行计算MD。首次，重建的幅度分布无论对于短MMF中的数千个模态还是对于1公里长MMF中的数十个模态，均实现了高相关系数。我们还通过评估相对模态误差和图像分辨率对分解精度的影响，研究了基于单次强度图像的MD的局限性。我们在无源和有源多模光子系统中演示了我们的网络框架和结果。我们的方法在光纤激光器、内窥镜计算成像以及特别是在光纤通信中的应用前景广阔，其中光纤串扰严重且需要无参考校准技术。

Keyword:

multimode fiber

mode decomposition

deep learning

physical information

phase retrieval

fiber laser

Decomposing highly multimode fibers using a physics-driven neural network

摘要

期刊

机构

引用论文