二次非線形光学は、非線形光学の中で最も重要で広く用いられている中核分野です。これは主に、中心反転対称性を持たない特殊な光学結晶と強力なレーザーが相互作用する際に、二次非線形分極率χ⁽²⁾によって支配される光学効果を研究します。簡単に言うと、高強度のレーザー光がこの種の結晶に入射すると、光子は「エネルギー融合と周波数再結合」を起こし、全く新しい周波数と色の光線が直接生成される。これにより、第二高調波発生（SHG）、和周波発生（SFG）、差周波発生（DFG）などの古典的な非線形変換が可能になります。現代の光学研究では、二次非線形光学は、量子情報、集積フォトニックチップ、生体医療画像処理、高出力レーザーシステムなどの分野における重要な物理的基盤である。

現在、二次非線形光学過程に関する理論研究はかなり成熟しているが、実際の工学的応用や実験的実装においては依然として大きなボトルネックが存在する。一方、計算能力のコストは高い。従来のフーリエ変換に基づくシミュレーションアルゴリズムでは、超高速光場における振動変化を正確に解く必要があり、さらに、媒質中の光の分割伝送過程をシミュレートするために分割ステップフーリエ法（SSFM）を用いる必要があります。そのため、数値シミュレーションには膨大な計算能力が求められます。高繰り返し周波数レーザー実験などのリアルタイムシナリオでは、適応制御やリアルタイムパラメータ最適化の要求が高まるにつれて、この問題はより顕著になります。

一方で、このモデルは現実からかけ離れている。従来の物理モデルは理想化されており、実験誤差、環境ノイズ、機器システムのドリフトといった現実世界の不安定要因に対応するのが困難です。現実世界の状況に適応する柔軟性に欠けるため、実験結果と実用化との間に乖離が生じます。さらに、光学デジタルツインや多段階非線形連鎖連成シミュレーションの発展に伴い、リアルタイムシミュレーションと実験連携機能を組み合わせた新しいツールが産業界で不可欠となっています。

これに対し、スタンフォード大学、UCLA、SLAC国立加速器研究所のチームは、光ファイバーパルス伝搬へのリカレントニューラルネットワーク（RNN）の応用に関するこれまでの研究に触発され、我々は、計算コストを大幅に削減しながら、SFGの出力光場を迅速かつ正確に予測できる、長短期記憶（LSTM）ネットワークに基づく代理モデルを提案する。このモデルは、SLAC研究所のLCLS-II（Linac Coherent Light Source II）光電陰極駆動レーザーのエンドツーエンドモデルから生成されたSSFMシミュレーションデータセットを使用してトレーニングされました。従来モデルと比較して、計算速度は252倍向上しています。これは、レーザーシステムのリアルタイム最適化、データ融合モデリング、およびデジタルツインのための重要な技術的基盤を築いた。

関連する研究成果は、「χ⁽²⁾非線形光学のための深層学習支援モデリング」と題され、Advanced Photonics誌に掲載された。

研究のハイライト:

深層学習モデルを完全に結合した多場二次非線形光学偏光ダイナミクスシステムに拡張することで、非線形光学モデリングの計算速度、柔軟性、および適用性が包括的に向上します。 

* バッチサイズ200で単一のNVIDIA A100 GPU上で実行した場合、単一サンプルの推論時間は7.43ミリ秒に短縮され、SSFMモデルと比較して252倍の改善となりました。

この研究は、数値シミュレーションと実用的な実験応用との間のギャップを埋め、効率的で拡張性があり、かつインテリジェントなフォトニックシステムの設計に向けた新たな研究の道を開くものである。

用紙のアドレス:
https://go.hyper.ai/5bLoA

χ⁽²⁾非線形光学のための高精度シミュレーションデータセットの構築

この研究で使用したデータセットは、SLAC研究所のLCLS-II線形加速器のコヒーレント光源の光電陰極駆動レーザーシステムの全プロセスシミュレーションモデルに基づいています。このシステムには、1,035 nmモード同期赤外線レーザー光源、プログラム可能なスペクトルシェイパー、チャープパルス増幅器、および非線形周波数変換モジュールが含まれています（図a参照）。広範囲のパルスパターンをカバーするために、この研究では、2次分散、3次分散、およびスペクトル振幅整形パラメータをランダムにサンプリングすることにより、10,000個のパルス整形構成を生成した。位相整形のみを使用した構成は400以上ありました。各構成はSSFMを用いた高精度シミュレーションにかけられ、最終的に非線形結晶内の100枚の透過スライス上に、SHG1、SFG、SHG2という3つの結合光場データポイントが得られ、単一フィールドのサンプリングポイント数は32,768でした。

データ前処理段階では、本研究では 3 段階のプロセスを採用しました (上記の図 b に示すとおり)。第 1 段階では、周波数領域で光場を切り捨て、ダウンサンプリングして、SFG 光場を 348 個の複素数値に、2 つの SHG 光場をそれぞれ 1,892 個の複素数値に削減します。第 2 段階では、各光場の実部と虚部を連結して、固定長 8,264 個の要素を持つ実数値ベクトルを形成します。第 3 段階では、グローバルデータセットの極値に基づいて、ベクトル内のすべての要素を区間 [0,1] に正規化します。最終的なデータセットは、89万個のトレーニングサンプル、1万個の検証サンプル、および9万個のテストサンプルに分割された。

LSTMベースのシーケンスプロキシモデルアーキテクチャの構築

LSTMモデルはシーケンス・トゥ・シーケンスアーキテクチャを採用しており、非線形結晶の各離散スライスを時間ステップとして扱います。このネットワークは、2,048個の隠れユニットと、それぞれ(2048, 4096)、(4096, 4096)、(4096, 8264)の次元を持つ3つの全結合層で構成されています。3つの全結合層は、下図に示すように、それぞれReLU、Tanh、Sigmoidの活性化関数を使用しています。

LSTMモデルは、以下の図に示すように、Adamオプティマイザと加重平均二乗誤差（wMSE）損失関数を使用して最適化されます。

トレーニング中、LSTM モデルは 10 個の空間スライスのシーケンスを入力として使用し、次のスライスを予測します。100 個のスライスを含むシミュレーション データセットごとに、シーケンス全体にウィンドウをスライドさせることで、100 組の入出力サンプルが生成されます。最初の 9 組は入力シーケンスの先頭に追加され、入力の長さが均一になるようにします。最終的な入力トレーニング テンソルの形状は (バッチ サイズ、10、8264) であり、出力テンソルの形状は (バッチ サイズ、8264) です。

LSTMモデルは、推論に自己回帰アプローチを採用している。まず、最初のスライスを10回繰り返して最初の入力として使用します。次に、LSTMモデルは次のスライスを予測し、入力シーケンスの末尾に追加します。この際、シーケンス内の最も古いスライスは破棄され、入力ウィンドウの長さは常に10に維持されます。このプロセスを周期的に繰り返し、100個の空間ステップすべてについて導出を完了します。シーケンスモデルの予測結果を用いることで、非線形結晶内部の場全体の物理量の進化過程を完全に再構築できます。

精度と効率の両方が向上し、ベースラインシミュレーションと比較して252倍の高速化を実現しました。

LSTMモデルの推論性能を評価するために、本研究では、波形形態と総エネルギー感度の両方を考慮した包括的な誤差指標を採用している。この包括的な指標は、3つの無次元成分から構成されています。1つ目は、面積正規化波形のコサイン類似度で、波形が完全に同一である場合に誤差がゼロになるように反転およびスケーリングされます。2つ目は、総積分強度に基づいて計算され、エネルギーに比例する正規化平均二乗誤差（NMSE）で、エネルギーの不一致をペナルティとして課します。3つ目は、2つの強度分布曲線セット間のワッサースタイン距離（アースムーバー距離、EMD）で、強度の局所的な再分布を正確に検出できます。

波形再構成精度

実験設定に関して言えば、LSTMは単一のNVIDIA A10G GPU上で約180エポックのトレーニング後に収束し、トレーニング時間は約160時間でした。最終的なトレーニング損失と検証損失は、それぞれ2.05 x 10⁻⁵と2.03 x 10⁻⁵に達しました。評価方法は、予測結果とSSFMシミュレーション結果の間の複合誤差指標を計算することでした。

実験結果に関して、定性的な効果を視覚的に示すために、本研究ではSFG、SHG1、およびSHG2のそれぞれについて、時間的強度誤差指標のヒストグラムと統計値をプロットした。SFG誤差分布の4つの四分位から、2組のテストデータセットをランダムに選択した。SFGとその対応するSHG1の時間領域および周波数領域における予測強度曲線と実際の強度曲線を、以下の図に示す。

以下の 2 つの画像セットは、エラー分布の上位 4 分の 2 つの追加例を示しており、異なるシェーピング条件での LSTM モデルのパフォーマンスを強調しています。結果によると、2 つのモデルの複合エラー インデックスはそれぞれ 0.012 と 0.003 です。どちらの条件でも、LSTMモデルは、周波数領域または時間領域においてSFGとSHG1を正確に再構築できる。SHG1に局所的なずれが生じるのは、スペクトル変調振幅が大きい場合に限られる。これらの例は、LSTMモデルが様々なスペクトル整形条件下で優れた汎化性能を発揮できることを示している。

モデルの計算効率

下の図は、異なるハードウェア環境下におけるLSTMモデルの推論時間を示しています。ベースラインシミュレーションはSSFMモデルに基づいており、SSFMは非線形伝播を解く際に最も時間のかかる項を解きます。具体的には、シングルコアCPUの場合、シミュレーション全体には1.98秒かかり、SSFM処理には約1.875秒かかります。 LSTMモデルは、バッチ処理のオーバーヘッドのため、シングルコアCPUではベースラインシミュレーションとほぼ同じ時間がかかります。しかし、バッチサイズ200の単一のNVIDIA A100 GPUでは、単一サンプルの推論時間はわずか7.43ミリ秒で、ベースラインシミュレーションよりも252倍高速です。

結論

本研究は過去の経験に基づき、逆コサイン類似度、NMSE、EMDを組み合わせた3in1複合評価システムなど、いくつかの革新的なアイデアを取り入れています。このシステムは、様々なパルス形態やエネルギー尺度の視覚的・実用的な効果評価には適さない従来の単一指標を変革し、実験結果の信頼性と信憑性を高めます。

もちろん、LSTMの最も重要なコア利点は、従来のSSFMモデルを完全に変革できる点にあります。従来のSSFMモデルは、時間-周波数領域変換を繰り返す必要があり、計算コストが高くなっていました。LSTMは、簡略化された周波数領域でマッピング関係を直接学習するだけで済むため、頻繁なステップバイステップのフーリエ変換が不要になり、リアルタイムでの導出が可能になります。さらに、LSTMモデルはSFGプロセスだけでなく、さまざまな2次非線形光学シナリオにも適用でき、幅広い応用可能性を持ち、現在の実験および実用アプリケーションのニーズに対応できます。

最後に、LSTMモデルの検証が成功したことで、機械学習モデルが非線形光学シミュレーションの分野で高い効率性を実現できる能力を持っていることが改めて明らかになり、純粋な数値シミュレーションと物理実験の間の障壁が取り払われ、効率的で大規模かつインテリジェントな光電子システムの設計のための新しい技術パラダイムが提供される。