空间模式的转换方法、系统、电子设备及存储介质.pdf

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310577437.0(22)申请日 2023.05.22(71)申请人 南开大学地址 300071 天津市南开区卫津路94号(72)发明人 夏士齐雷思弘宋道红陈志刚(74)专利代理机构 北京高沃律师事务所 11569专利代理师 韩雪梅(51)Int.Cl.G06F 18/214(2023.01)G06N 3/08(2023.01)(54)发明名称一种空间模式的转换方法、系统、电子设备及存储介质(57)摘要本发明公开一种空间模式的转换方法、系统、电子设备及存储介质，涉及光子学技术领域，所述方

2、法包括：确定预设本征值集；预设本征值集包括M个预设本征值；M1；将预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；目标耦合数据集包括M1个目标耦合数据；耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，训练数据集包括多组训练用波导阵列的本征值集和耦合数据集；基于目标耦合数据集确定初始波导阵列；对初始波导阵列引入余弦状弯曲，得到目标波导阵列；将待转换的第一光模式输入至目标波导阵列中，得到第二光模式。本发明扩增了空间模式转换的模式数量，提高了空间模式转换的通用性。权利要求书2页 说明书6页 附图4页CN 116610951 A2023.08.18CN 116610951 A1

3、.一种空间模式的转换方法，其特征在于，所述方法包括：确定预设本征值集；所述预设本征值集包括m个预设本征值；m1；将所述预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；所述目标耦合数据集包括m1个目标耦合数据；所述耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，所述训练数据集包括多组训练用波导阵列的本征值集和耦合数据集；基于所述目标耦合数据集确定初始波导阵列；对所述初始波导阵列引入余弦状弯曲，得到目标波导阵列；将待转换的第一光模式输入至所述目标波导阵列中，得到第二光模式。2.根据权利要求1所述的空间模式的转换方法，其特征在于，在将待转换的第一光模式输入至所述目标波导阵列中

4、，得到第二光模式之后，还包括：实时获取所述第二光模式；当所述第二光模式转换结束时，取消所述目标波导阵列的余弦状弯曲。3.根据权利要求1所述的空间模式的转换方法，其特征在于，所述耦合数据确定模型的训练过程，具体包括：确定多组所述训练用波导阵列的耦合数据集和哈密顿量；基于每组所述训练用波导阵列的耦合数据集和哈密顿量，确定对应训练用波导阵列的本征值集；以所有所述训练用波导阵列的本征值集作为输入，所有所述训练用波导阵列的耦合数据集作为输出，对所述人工神经网络进行训练得到所述耦合数据确定模型。4.根据权利要求1所述的空间模式的转换方法，其特征在于，基于所述目标耦合数据集确定初始波导阵列，具体包括：将所述

5、目标耦合数据集输入至光学波导平台中构建所述初始波导阵列。5.根据权利要求1所述的空间模式的转换方法，其特征在于，对所述初始波导阵列引入余弦状弯曲，得到目标波导阵列，具体包括：确定余弦状参数和所述初始波导阵列的哈密顿量；所述余弦状参数包括：实际距离和传播参数，所述实际距离为所述初始波导阵列的相邻波导之间的距离，所述传播参数包括：传播方向以及沿所述传播方向调制的波导的振幅、振荡频率和初始相位；利用幺正变换，基于所述余弦状参数和所述初始波导阵列的哈密顿量，确定所述目标波导阵列。6.一种空间模式的转换系统，其特征在于，所述系统包括：预设本征值集确定模块，用于确定预设本征值集；所述预设本征值集包括m个预

6、设本征值；m1；目标耦合数据集确定模块，用于将所述预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；所述目标耦合数据集包括m1个目标耦合数据；所述耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，所述训练数据集包括多组训练用波导阵列的本征值集和耦合数据集；初始波导阵列确定模块，用于基于所述目标耦合数据集确定初始波导阵列；目标波导阵列确定模块，用于对所述初始波导阵列引入余弦状弯曲，得到目标波导阵权利要求书1/2 页2CN 116610951 A2列；模式转换模块，用于将待转换的第一光模式输入至所述目标波导阵列中，得到第二光模式。7.一种电子设备，其特征在于，包括：一个或多个处

7、理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的空间模式的转换方法。8.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的空间模式的转换方法。权利要求书2/2 页3CN 116610951 A3一种空间模式的转换方法、系统、电子设备及存储介质技术领域0001本发明涉及光子学技术领域，特别是涉及一种空间模式的转换方法、系统、电子设备及存储介质。背景技术0002现有的关于光束模式传输的研究多采用波导应力、引入非厄米性或非线性等空

8、间模式的转换方法来诱导系统中不同模式之间的相互作用，然而这些空间模式的转换方法需要复杂的实验参数，同时无法完全控制模式之间的相互作用方向，能够协同操纵的模式数量也非常有限。发明内容0003本发明的目的是提供一种空间模式的转换方法、系统、电子设备及存储介质，扩增了空间模式转换的模式数量，提高了空间模式转换的通用性。0004为实现上述目的，本发明提供了如下方案：0005一种空间模式的转换方法，所述方法包括：0006确定预设本征值集；所述预设本征值集包括M个预设本征值；M1；0007将所述预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；所述目标耦合数据集包括M1个目标耦合数据；所述耦合数据

9、确定模型是基于训练数据集对人工神经网络进行训练得到的，所述训练数据集包括多组训练用波导阵列的本征值集和耦合数据集；0008基于所述目标耦合数据集确定初始波导阵列；0009对所述初始波导阵列引入余弦状弯曲，得到目标波导阵列；0010将待转换的第一光模式输入至所述目标波导阵列中，得到第二光模式。0011可选地，在将待转换的第一光模式输入至所述目标波导阵列中，得到第二光模式之后，还包括：0012实时获取所述第二光模式；0013当所述第二光模式转换结束时，取消所述目标波导阵列的余弦状弯曲。0014可选地，所述耦合数据确定模型的训练过程，具体包括：0015确定多组所述训练用波导阵列的耦合数据集和哈密顿量

10、；0016基于每组所述训练用波导阵列的耦合数据集和哈密顿量，确定对应训练用波导阵列的本征值集；0017以所有所述训练用波导阵列的本征值集作为输入，所有所述训练用波导阵列的耦合数据集作为输出，对所述人工神经网络进行训练得到所述耦合数据确定模型。0018可选地，基于所述目标耦合数据集确定初始波导阵列，具体包括：0019将所述目标耦合数据集输入至光学波导平台中构建所述初始波导阵列。0020可选地，对所述初始波导阵列引入余弦状弯曲，得到目标波导阵列，具体包括：说明书1/6 页4CN 116610951 A40021确定余弦状参数和所述初始波导阵列的哈密顿量；所述余弦状参数包括：实际距离和传播参数，所述

11、实际距离为所述初始波导阵列的相邻波导之间的距离，所述传播参数包括：传播方向以及沿所述传播方向调制的波导的振幅、振荡频率和初始相位；0022利用幺正变换，基于所述余弦状参数和所述初始波导阵列的哈密顿量，确定所述目标波导阵列。0023一种空间模式的转换系统，所述系统包括：0024预设本征值集确定模块，用于确定预设本征值集；所述预设本征值集包括M个预设本征值；M1；0025目标耦合数据集确定模块，用于将所述预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；所述目标耦合数据集包括M1个目标耦合数据；所述耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，所述训练数据集包括多组训练用波

12、导阵列的本征值集和耦合数据集；0026初始波导阵列确定模块，用于基于所述目标耦合数据集确定初始波导阵列；0027目标波导阵列确定模块，用于对所述初始波导阵列引入余弦状弯曲，得到目标波导阵列；0028模式转换模块，用于将待转换的第一光模式输入至所述目标波导阵列中，得到第二光模式。0029一种电子设备，包括：0030一个或多个处理器；0031存储装置，其上存储有一个或多个程序；0032当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的空间模式的转换方法。0033一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的空间模式的转

13、换方法。0034根据本发明提供的具体实施例，本发明公开了以下技术效果：0035本发明公开了一种空间模式的转换方法、系统、电子设备及存储介质，通过将预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集，进而基于目标耦合数据集确定初始波导阵列；然后对初始波导阵列引入余弦状弯曲，得到目标波导阵列；将待转换的第一光模式输入至目标波导阵列中，得到第二光模式，即可实现光模式的转换。本发明引入了基于人工神经网络确定的耦合数据确定模型，扩增了空间模式转换的模式数量，提高了空间模式转换的通用性。附图说明0036为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，

14、显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。0037图1为本发明实施例1提供的空间模式的转换方法流程示意图；0038图2为本征值数组B，对应的本征模式和实空间的耦合阵列T的示意图；说明书2/6 页5CN 116610951 A50039图3为模式耦合和能带结构示意图；0040图4为消除前后对角顶本征模之间的势能差值的示意图；0041图5为人工合成维度中模式之间的耦合强度的示意图；0042图6为人工合成维度中模式之间的耦合示意图；0043图7为光在实空间中演化的示意图。具体实施方式0044下面将

15、结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。0045本发明的目的是提供一种空间模式的转换方法、系统、电子设备及存储介质，旨在扩增空间模式转换的模式数量，提高空间模式转换的通用性。0046为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。0047实施例10048图1为本发明实施例1提供的空间模式的转换方法流程示意图。如图1所示，本实施例

16、中的空间模式的转换方法，包括：0049步骤101：确定预设本征值集；预设本征值集包括M个预设本征值；M1。0050步骤102：将预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；目标耦合数据集包括M1个目标耦合数据；耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，训练数据集包括多组训练用波导阵列的本征值集和耦合数据集。0051步骤103：基于目标耦合数据集确定初始波导阵列。0052步骤104：对初始波导阵列引入余弦状弯曲，得到目标波导阵列。0053步骤105：将待转换的第一光模式输入至目标波导阵列中，得到第二光模式。0054作为一种可选的实施方式，在步骤105之后，还包括

17、：0055实时获取第二光模式。0056当第二光模式转换结束时，取消目标波导阵列的余弦状弯曲。0057作为一种可选的实施方式，步骤102中耦合数据确定模型的训练过程，具体包括：0058确定多组训练用波导阵列的耦合数据集和哈密顿量。0059基于每组训练用波导阵列的耦合数据集和哈密顿量，确定对应训练用波导阵列的本征值集。0060以所有训练用波导阵列的本征值集作为输入，所有训练用波导阵列的耦合数据集作为输出，对人工神经网络(Artificial Neural Networks，ANNs)进行训练得到耦合数据确定模型。0061具体的，当训练用波导阵列中的训练用波导的数量为N时，哈密顿量的表达式为：006

18、20063其中，HA为训练用波导阵列的哈密顿量；tn为第n个训练用波导和第n+1个训练用波说明书3/6 页6CN 116610951 A6动之间的耦合数据；为第n+1个训练用波导上的产生算符；cn为第n个训练用波导上的湮灭算符；H.c.为厄米共轭项。0064本征值集中本征值的计算公式为：0065HAAEAA(2)。0066其中，A为训练用波导阵列的哈密顿量的本征态矩阵；EA为训练用波导阵列的哈密顿量的本征值。0067作为一种可选的实施方式，步骤103，具体包括：0068将目标耦合数据集输入至光学波导平台中构建初始波导阵列。0069作为一种可选的实施方式，步骤104，具体包括：0070确定余弦状

19、参数和初始波导阵列的哈密顿量；余弦状参数包括：实际距离和传播参数，实际距离为初始波导阵列的相邻波导之间的距离，传播参数包括：传播方向以及沿传播方向调制的波导的振幅、振荡频率和初始相位。0071利用幺正变换，基于余弦状参数和初始波导阵列的哈密顿量，确定目标波导阵列。0072具体的，以一维光子晶格为例，对步骤104进行说明：0073在引入余弦状弯曲之后，波导沿(x,z)平面内的弯曲振荡为Rsin(z+)，相当于引入了大小为的振荡力。它可以从标量势能V(x)V0sin(z+)(xDM/2)中导出。在这里，为方便起见，设置势能的零点在晶格的中心点DM/2，即V(DM/2)0。因此在施加摆动之后，哈密顿

20、量变为：00740075其中，x为波导的实空间坐标；H(z)为引入余弦状弯曲后的初始波导阵列(即目标波导阵列)的哈密顿量；M为训练用波导的数量；为第m+1个初始波导阵列上中波导的产生算符；cm为第m个初始波导阵列中波导上的湮灭算符；V0为因波导弯曲引入的势能项，V0k02R，k0为波数，k02 n0/，n0为介质的折射率，为波长；R为沿传播方向调制的波导的振幅；为沿传播方向调制的波导的振荡频率；Dm为第m根波导到第一根波导的间距，dm,m+1为第m个和第m+1个波导在实空间中的距离；DM为第一个和最后一个(第M个)波导之间的距离；为沿传播方向调制的波导的初始相位。0076利用适当振荡调制，得益

21、于输入ANNs的预先设计，可以以可控的方式在本征模之间转移能量。H(z)可以写作H(z)HA+H1(z)，通过本征模式A的幺正变换，可以得到公式(4)。00770078其中，为哈密顿量HA本征态的左矢；A为哈密顿量HA本征态的右矢；第一部分主对角线的梯度变化代表不同模式之间的势能差，第二部分的非对角元表示本征模式之间的耦合。通过快速旋转波近似，第一部分的线性梯度势被消除。因此，这样的结构在合成模式维度SMD空间可以被看作是一个简单的一维阵列。0079图2图7为利用人工神经网络设计的模态阵列的模态演化图，模式阵列的本征值说明书4/6 页7CN 116610951 A7m不等间距，因此可以用于特定

22、模式之间的转换；具体来讲：图2为本征值数组B，对应的本征模式|i和实空间的耦合阵列T的示意图。其中，本征值数组B中的本征值 m不等间距。T是由人工神经网络进行训练得到的。图3为模式耦合和能带结构示意图，当波导阵列的摆动频率为1 11时，1为本征值差，处于同一能带的模式之间不存在势垒，可以相互耦合。图4为消除前后对角顶本征模(即之间的势能差值的示意图。图5为人工合成维度中模式之间的耦合强度(即)的示意图，其中，框内的模式可以相互耦合。图6为人工合成维度中模式之间的耦合示意图，模式可以从带隙附近传输到模式空间的边界，但是不能向下传输。图7为光在实空间中演化的示意图，通过z向的弯曲波导在第一区域内实

23、现特定的模式转换。图中还显示了直波导区域的平均强度分布。0080实施例20081为了实现实施例1中的空间模式的转换方法，实施例2还提供了一种空间模式的转换系统，包括：0082预设本征值集确定模块，用于确定预设本征值集；预设本征值集包括M个预设本征值；M1。0083目标耦合数据集确定模块，用于将预设本征值集输入至耦合数据确定模型中，得到目标耦合数据集；目标耦合数据集包括M1个目标耦合数据；耦合数据确定模型是基于训练数据集对人工神经网络进行训练得到的，训练数据集包括多组训练用波导阵列的本征值集和耦合数据集。0084初始波导阵列确定模块，用于基于目标耦合数据集确定初始波导阵列。0085目标波导阵列确

24、定模块，用于对初始波导阵列引入余弦状弯曲，得到目标波导阵列。0086模式转换模块，用于将待转换的第一光模式输入至目标波导阵列中，得到第二光模式。0087实施例30088为了实现实施例1中的空间模式的转换方法，实施例3还提供了一种电子设备，包括：0089一个或多个处理器。0090存储装置，其上存储有一个或多个程序。0091当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例1中的空间模式的转换方法。0092实施例40093为了实现实施例1中的空间模式的转换方法，实施例4还提供了一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如实施例1中的空间模式的转换

25、方法。0094本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。说明书5/6 页8CN 116610951 A80095本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。说明书6/6 页9CN 116610951 A9图1图2说明书附图1/4 页10CN 116610951 A10图3说明书附图2/4 页11CN 116610951 A11图4图5说明书附图3/4 页12CN 116610951 A12图6图7说明书附图4/4 页13CN 116610951 A13