坦佩雷大学(Tampere University)的研究人员成功地利用人工智能来预测超短光脉冲与物质互动时发生的非线性动态。这种新颖的解决方案可以用于高效和快速的数字建模，例如在成像、制造和手术方面。这些发现发表在著名的自然机械情报杂志(Nature Machine Intelligence)上。

人工智能可以区分不同类型的激光脉冲传播，就像它可以识别面部识别中表达的细微差异一样。新发现的解决方案可以让基础研究实验的设计更加简单，并将允许算法嵌入下一代激光系统，以确保实时优化。例如，在脉冲特性受到目标环境干扰的制造和手术中，就可以使用这种方法。

非线性超快光物质相互作用是研究人员数十年来一直难以理解的。该研究领域在许多研究领域至关重要，从在药物开发中使用光谱仪，到技术材料的精密加工和遥感，再到高分辨率成像。

可对神经网络进行培训，以识别模式

当高能超短脉冲光与玻璃光纤维相互作用时，会发生一系列非线性的相互作用，对注入光的时间和光谱（颜色）特性造成复杂的变化。到目前为止，对这些非线性和多层面相互作用的研究一直是基于非线性施罗德林格方程式，这是一种缓慢且计算要求很高的方法，极大地限制了数字技术在实时设计或优化实验中的应用。

“这个问题现在已经通过人工智能得到了解决。我们的团队已经培训了一个神经网络，以识别这种复杂演变的内在模式。值得注意的是，一旦接受培训，该网络也能够预测以前不为人知的情况下的非线性演变，而且基本上可以即时预测， ”坦佩雷大学(Tampere University)研究小组组长、国家摄影研究与创新旗舰(Flagship for Photonics Research and Innovation)主任高丽•根蒂(Gory Genty)教授说。

这项研究使用了一种称为"经常性神经网络"的具有内部记忆的专门结构，这种网络不仅可以识别与非线性动态有关的具体模式，而且还可以了解这种模式如何在时间和光谱领域长期演变。

神经网络可以预测毫秒内的演变。新的解决方案将导致非线性影响传播的所有系统的更高效、更快的数字建模，改善电信、制造和成像设备的设计。

研究报告了两个对光谱学非常感兴趣的案例：极端脉冲压缩和超宽带激光源开发。

Genty解释称： “使用内存神经网络的方法让我们可以绕过解决潜在数学模型的传统方法，这种方法非常耗时，有时需要令人望而却步的内存资源。 ”

随着各科学领域机器学习应用的迅速发展， Genty预计神经网络很快将成为分析复杂非线性动态、优化宽带来源和频率组合生成以及设计超高速光学实验的重要标准工具。