近日，我院王悦悦、戴朝卿教授团队以“Predicting Ultrafast Soliton Evolution via a Parameter-Driven Neural Network”为题，于2026年3月30日在光学领域国际权威期刊《Laser & Photonics Reviews》（激光与光子学评论，中科院1区，IF：10.0）上在线发表了最新研究成果。该工作提出了一种创新的物理参数驱动Transformer–Convolutional Recurrent Neural Network (T-CRNN)的孤子演化预测框架，首次实现了从激光器参数到完整孤子演化的端到端预测，摆脱了现有模型在预测阶段对数值仿真的依赖。本工作第一和通讯单位均为浙江农林大学光机电工程学院，论文第一作者为硕士研究生贾云皓，论文共同第一作者为王大磊副教授，共同通讯作者为王悦悦教授、刘威副教授和戴朝卿教授。
近年来，深度学习虽已在超快光纤激光器领域展现出巨大潜力，但现有模型在预测阶段仍依赖数值仿真生成的初始脉冲作为预测输入起始点。这种对仿真数据的路径依赖限制了神经网络在实时实验环境中的自主性与应用场景。为了攻克这一研究瓶颈，戴朝卿教授团队提出了一种全新的参数驱动T-CRNN融合模型（如图1）。该模型的创新在于其融合参数注意力机制建模与时序网络推理的架构设计：Transformer模块利用自注意力机制与物理分组编码，捕获激光器参数（如增益、色散、非线性系数等）与脉冲形成之间复杂的非线性映射关系，从静态参数预测初始脉冲。CRNN模块结合卷积层的局部特征提取能力与递归神经网络的时域建模长处，实现对脉冲序列递归演化过程的精准建模，并采用了并行训练串行推理的方案。实验验证表明，该模型不仅能成功捕捉束缚态孤子从非平稳过渡态到稳态锁模的完整演化轨迹，更准确再现了光谱奇偶性周期性切换等复杂的非线性动力学现象（如图2）。在性能上，参数驱动模块在毫秒量级即可完成推理，整体预测速度比传统数值模拟快约150倍 。此外，团队通过对10组物理参数进行±50%范围的大规模随机扰动测试，证实了该模型在多参数耦合波动环境下具有良好的稳定性与泛化能力。
这项研究通过将激光器物理参数嵌入网络推理预测中，成功实现了神经网络从辅助仿真到独立闭环预测的跨越。该方案不仅为高效预测孤子动力学提供了分析工具，也为实验环境下光纤激光器的实时监测、自动控制与参数优化奠定了理论基础。
图1参数驱动的T-CRNN框架流程图：展示了从激光器参数输入到Transformer脉冲预测，再到CRNN完整演化输出的端到端工作逻辑
图2束缚态孤子光谱特性与切换动力学预测：(a-b)为实验与预测光谱演化对比；(g-k)展示了实验与预测的光谱奇偶切换与线性拟合分析 。
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/lpor.202503212
（图文：刘威；审核：姚立健；终审：陈培金）
