《Expert Systems with Applications》：Query-Based Neural Network for Long-Range Prediction of Optical Spatio-temporal Dynamics in Multimode Fibers
編輯推薦：
為解決 GI-MMFs 中非線性脈沖長程時空動力學預測難題（現有深度學習方法需每步真實數據、忽略時空耦合且自回歸誤差累積），研究人員提出查詢神經網絡框架，含三種創新。實驗顯示 Conv-Query 精度優于 RNN，MAE 低，可用于其他復雜系統建模。
在光通信與光學領域，多模光纖（MMFs）因能突破單模光纖容量限制、展現豐富非線性光學現象而備受關注。其中，梯度折射率多模光纖（GI-MMFs）憑借周期性自成像特性，可實現時空鎖模、超連續譜生成等單模光纖難以達成的效應，成為研究復雜時空非線性動力學的理想平臺。然而，精準預測 GI-MMFs 中光脈沖的長程傳播行為極具挑戰：傳統數值方法（如分步傅里葉法）計算耗時，深度學習方法雖被引入，卻面臨兩大瓶頸 —— 自回歸模型的誤差隨距離累積顯著，且獨立處理時空動力學忽略了兩者的內在耦合。如何在無需每步真實數據校正的前提下，實現長距離、高精度的時空聯合預測，成為制約 GI-MMFs 應用的關鍵科學問題。
為攻克上述難題，國內研究團隊開展了 “基于查詢神經網絡的 GI-MMFs 光學時空動力學長程預測” 研究。該成果發表于《Expert Systems with Applications》，為光通信系統優化、新型光源設計等提供了關鍵技術支撐。
研究人員開發了基于查詢機制的神經網絡框架，核心技術包括：
- 查詢預測方案：設計卷積隱式查詢（Conv-Query）和 Transformer 顯式查詢（Trans-Query）兩種模式，摒棄傳統自回歸的逐步預測邏輯，可直接靶向預測目標傳播步的結果，從根本上消除誤差累積，支持并行計算。
- 物理信息雙編碼系統（POS-CNT）：結合 GI-MMFs 的周期性自成像特性，將位置信息（如傳播距離對應的自成像周期數）與光場內容信息（如時空場分布）編碼至模型中，增強對物理規律的表征能力。
- 時空聯合預測框架：構建時空網絡間的雙向信息交互機制，強化時空動力學的耦合建模，提升預測的物理一致性與精度。
關鍵研究結果
1. 隱式與顯式查詢方案的性能對比
通過數值模擬生成的 GI-MMFs 光脈沖傳播數據集（光纖長度分別為 10、20、30 個自成像周期z_0，對應 480、960、1440 個采樣點）驗證發現，Conv-Query 在時空預測中表現優異：空間預測平均絕對誤差（MAE）為 0.00047，時間預測 MAE 為 0.00018，接近數值模擬精度，且在 30z_0的長距離傳播中性能保持穩定，顯著優于循環神經網絡（RNN）的自回歸模式。盡管 Trans-Query 因注意力機制在捕捉復雜時空關系上具潛力，但在當前數據集規模下，Conv-Query 因更適配視覺特征（類似計算機視覺任務）而精度更優。
2. 長程預測的魯棒性驗證
對比傳統 RNN 方法在分步預測模式下需每步真實數據校正的局限性，查詢框架無需中間步監督，直接輸出長程預測結果，避免了實際應用中難以獲取逐點真實數據的困境。在 1440 步（30z_0）的長序列預測中，模型未出現顯著性能衰退，證明其對誤差累積的抑制效果顯著。
3. 物理可解釋性與泛化潛力
物理信息雙編碼系統的引入，使模型能有效利用 GI-MMFs 的周期性自成像特性，將傳播距離的周期性（如z = n \cdot z_0）轉化為位置編碼，提升了對光場演化規律的建模效率。此外，該框架的查詢機制具普適性，可遷移至流體力學、等離子體物理等其他含復雜時空動力學的非線性系統（如城市人群流動預測），展現了跨學科應用潛力。
結論與意義
該研究突破了傳統深度學習在長程時空預測中的瓶頸，提出的查詢神經網絡框架通過物理先驗與數據驅動的結合，實現了 GI-MMFs 中光脈沖傳播的高精度、長距離預測，為光通信系統的實時優化、高功率光纖激光器設計等提供了高效計算工具。同時，其方法論為跨領域復雜系統的建模（如生物醫學中的時空動態模擬）提供了新思路。未來可進一步探索 Trans-Query 在更大數據集下的潛力，及與實驗數據的結合，推動理論模型向實際應用的轉化。
