基于GPT-PINN神经网络的参数化输入光纤传输模型
原文中文，约500字，阅读约需2分钟。发表于：。本研究提出了一种新型的短距离光纤传输模型，具有参数化输入，克服了现有模型在不同比特率下需重新训练的问题。通过将参数化输入转化为非线性薛定谔方程的参数化系数，模型计算效率显著提高，并且可以在不需要预先收集传输信号的情况下有效训练。该模型在2Gbps到50Gbps的开关键控信号任务中展现了高保真性。
本文介绍了物理信息神经网络（PINNs）在学习一维和二维可饱和非线性薛定谔方程（SNLSE）中的应用。通过修改后的PINNs（mPINNs）方案，可以直接识别一维和二维SNLSE的PT潜力函数。研究还比较了不同参数条件下的网络结构，结果表明建立的深度神经网络在SNLSE中具有较高的准确性。同时，讨论了影响神经网络性能的主要因素，包括激活函数、网络结构和训练数据的大小。
