Tekoäly ennustaa epälineaarisia malleja ultranopeassa optiikassa
Tekoäly voi erotella laserpulssien erityyppisen etenemisen väliaineessa, aivan kuten kasvojen tunnistuksessa se voi tunnistaa pienetkin erot kasvojen ilmeissä. Tämä uusi tekoälyratkaisu voi helpottaa optisten kokeiden suunnittelua perustutkimuksessa ja mahdollistaa seuraavan sukupolven älykkäät laserjärjestelmät, jotka voidaan optimoida reaaliaikaisesti. Ratkaisua voitaisiin käyttää esimerkiksi teollisuudessa tai leikkaussalissa, joissa käyttöympäristö vaikuttaa laserpulssien ominaisuuksiin.
Tutkijat ovat jo vuosikymmenien ajan yrittäneet ymmärtää valon ja väliaineen ultranopeita epälineaarisia vuorovaikutuksia. Tutkimusalalla on erittäin tärkeä vaikutus monille tutkimusalueille, kuten lääkekehityksen spektroskopiamenetelmille, materiaalien tarkkuuskoneistukselle sekä kaukokartoitukselle ja korkean resoluution kuvantamiselle.
Neuroverkot voidaan kouluttaa hahmontunnistukseen
Kun korkeatehoinen ultralyhyt valopulssi on vuorovaikutuksessa optisen kuidun lasiytimen kanssa, useat epälineaariset interaktiot aiheuttavat monimutkaisia muutoksia kuituun lähetetyssä pulssissa, niin ajallisesti kuin spektrin (värin) osalta. Tähän mennessä epälineaaristen ja moniulotteisten vuorovaikutusten tutkimus on perustunut laskennallisesti raskaan ja hitaan epälineaarisen Schrödingerin yhtälön numeeriseen ratkaisemiseen, mikä on dramaattisesti rajoittanut optisten kokeiden suunnittelua ja reaaliaikaista optimointia.
– Olemme nyt ratkaisseet ongelman tekoälyn avulla. Ryhmämme on onnistunut kouluttamaan neuroverkon tunnistamaan tähän monimutkaiseen kehitykseen liittyvät olennaiset mallit kuidun sisällä. Kun neuroverkko on kerran koulutettu, se pystyy ennustamaan lähes välittömästi epälineaarisen kehityksen kuidussa myös aiemmin tuntemattomille pulsseille, sanoo professori Goëry Genty, tutkimusryhmän johtaja Tampereen yliopistossa sekä fotoniikan tutkimuksen ja innovaatioiden lippulaivan PREINin johtaja.
Tutkimuksessa käytettiin erityistä ‘takaisinkytkettyä neuroverkkoa’ (engl. recurrent neural network), jolla on sisäinen muisti. Kyseinen neuroverkko pystyy tunnistamaan epälineaarisia malleja datasta, mutta pystyy myös oppimaan, kuinka kyseiset mallit kehittyvät kuidussa niin pulssin ajallisen profiilin kuin spektrin osalta.
Neuroverkko pystyy ennustamaan pulssin kehityksen millisekunneissa. Ratkaisu johtaa tehokkaampiin ja nopeampiin numeerisiin malleihin systeemeissä, joissa epälineaarisuus vaikuttaa pulssin etenemiseen kuidussa, ja parantaa uusien laitteiden suunnittelua tietoliikenteen, teollisuuden ja kuvantamisen käyttökohteisiin.
Uusia sovelluksia fotoniikassa
Tutkimuksessa esitellään kaksi erityisen mielenkiintoista fotoniikan sovellusta: laserpulssin äärimmäinen kompressio ja laajakaistaisten laserlähteiden kehitys.
– Pulssin kehitystä kuvaavan matemaattisen mallin ratkaisu perinteisin menetelmin on hidasta ja voi vaatia paljon muistiresursseja. Neuroverkkoa käyttämällä tämä voidaan välttää, Genty kertoo.
Koneoppimisen käyttö on kasvanut nopeasti kaikilla tieteenaloilla. Genty uskoo, että neuroverkot tulevat hyvin pian olemaan olennainen työkalu monimutkaisten epälineaaristen ilmiöiden analyysiin, laajakaistaisten valonlähteiden ja taajuuskampojen optimointiin sekä myös ultranopeiden optisten kokeiden suunnitteluun.
Tutkimus tehtiin Tampereen yliopistossa osana Suomen Akatemian Tekoälyn uudet sovellukset fysikaalisten tieteiden ja tekniikan tutkimuksessa -ohjelmaa (AIPSE) sekä fotoniikan tutkimuksen ja innovaatioiden lippulaivaa (PREIN).
Lue lisää (englanniksi) artikkelista Predicting ultrafast nonlinear dynamics in fibre optics with a recurrent neural network Nature Machine Intelligence -lehdessä. Artikkelin ovat kirjoittaneet Lauri Salmela, Nikolaos Tsipinakis, Alessandro Foi, Cyril Billet, John M. Dudley ja Goëry Genty.
