محققان دانشگاه تامپره موفق شدند از هوش مصنوعی برای پیش‌بینی پویایی غیرخطی استفاده کنند که در اثر تعامل پالس‌های نوری فوق العاده کوتاه با مواد اتفاق می‌افتد. طبق یافته‌هایی که در مجله معتبر Nature Machine Intelligence منتشر شده است این راه حل جدید می‌تواند برای مدل سازی عددی کارآمد و سریع در زمینه‌های مختلفی از جمله تصویربرداری، ساخت و جراحی استفاده شود.
هوش مصنوعی همانطور که تفاوت‌های ظریف در تشخیص چهره را تشخیص می‌دهد می‌تواند انواع مختلف انتشار پالس لیزر را از هم تشخیص دهد. این راه حل که به تازگی پیدا شده می‌تواند طراحی آزمایشات در تحقیقات بنیادی را ساده تر کند و به توسعه دهندگان اجازه می‌دهد تا در نسل بعدی از الگوریتم‌ها، سیستم‌های لیزری تعبیه کنند تا از بهینه سازی اطمینان حاصل شود.
فعل و انفعالات فوق سریع ماده غیرخطی چیزی است که محققان برای درک آن دهه‌ها تلاش کرده‌اند. علوم این رشته در بسیاری از زمینه‌های تحقیق از استفاده از ابزار طیف‌سنجی در تولید دارو گرفته تا ماشین‌کاری دقیق مواد تکنولوژیکی و سنجش از دور تا تصویربرداری با وضوح بالا از اهمیتی بسیار حیاتی برخوردار است.
آموزش شبکه‌های عصبی برای شناخت الگوها
هنگامی که یک پالس فوق‌العاده کوتاه نور با یک فیبر نوری شیشه‌ای برخورد می‌کند، طیف وسیعی از فعل و انفعالات غیرخطی اتفاق می‌افتد که باعث تغییرات پیچیده‌ای در خصوصیات زمانی و طیفی نور تابیده شده می‌شود.
تاکنون مطالعه این تعاملات غیرخطی و چند بعدی بر اساس معادله غیرخطی شرودینگر انجام می‌شده است، روشی بسیار کند و بینهایت محاسباتی که استفاده از تکنیک‌های عددی را برای طراحی یا بهینه سازی آزمایش‌ها بسیار محدود کرده است.
پروفسور گویری گنتی، رهبر گروه تحقیقاتی در دانشگاه تامپره و مدیر ارشد تحقیقات فوتونیک و نوآوری می‌گوید: این مشکل اکنون با استفاده از هوش مصنوعی حل شده است. تیم ما توانسته یک شبکه عصبی را آموزش دهد تا الگوهای ذاتی چنین تکامل پیچیده‌ای را تشخیص دهد.
الگوریتم پس از آموزش به طور قابل توجهی قادر به پیش‌بینی معادلات غیرخطی ناشناخته است و می‌تواند این کار را بلافاصله و با سرعتی بسیار زیاد انجام دهد. این الگوریتم از معماری تخصصی معروف به شبکه عصبی راجعه استفاده می‌کند که دارای یک حافظه داخلی است. چنین شبکه‌ای نه تنها می‌تواند الگوهای خاص مرتبط با پویایی غیرخطی را تشخیص دهد، بلکه می‌تواند بیاموزد که چگونه چنین الگوهایی در دو حوزه زمانی و طیفی در یک فاصله طولانی تکامل می‌یابند.
این شبکه عصبی می‌تواند تکامل را در میلی ثانیه پیش‌بینی کند. این راه حل جدید به مدل سازی عددی کارآمدتر و سریعتر در همه‌ی سیستم‌ها منجر می‌شود که در آن غیرخطی بودن بر انتشار تأثیر می‌گذارد.
پیشرفت‌های جدید در حوزه فوتونیک
این مطالعه دو مورد بسیار مهم در فوتونیک را شامل می‌شود : فشرده سازی شدید پالس‌ها و توسعه منبع لیزر باند پهن.
پروفسور گویری گنتی توضيح مي‌دهد : رويكرد استفاده از يك شبكه عصبي با حافظه داخلي به ما اجازه می‌دهد تا از رويكرد متداول برای حل مدل رياضی كه بسيار وقت گير است عبور كنيم.
با رشد سریع برنامه‌های یادگیری ماشین در تمام زمینه‌های علمی، پروفسور گنتی پیش‌بینی می‌کند که شبکه‌های عصبی خیلی زود به ابزاری مهم و استاندارد برای تجزیه و تحلیل پویایی‌های غیرخطی پیچیده، بهینه سازی تولید منابع باند پهن و شانه‌های فرکانسی و همچنین برای طراحی تبدیل می‌شوند.
