基于物理信息神经网络的化学激光数值研究
摘要
探索了化学激光数值研究的新思路，引入了一种基于物理信息神经网络（PINNs）的深度学习方法以求解化学激光正、逆问题。主要针对光学谐振腔内增益与激光相互作用的问题，其中正问题定义为根据腔内增益分布预测复数激光场分布，逆问题定义为基于复数激光场分布重构增益分布。针对传统优化器无法直接处理复数梯度的问题，将复数激光场及其相关偏微分方程分解为实部和虚部分别独立的形式。在正问题中，PINNs预测结果与传统数值结果相比，复数激光场的实部和虚部相对误差分别为2.82%和6.76%。同时，PINNs的推理时间仅为0.43 s，显著优于传统数值方法的17.6 s。在逆问题中，通过补充边界信息，PINNs对增益分布的预测相对误差为6.78%。
引用本文（GB/T 7714）
常乃文 Chang Naiwen, 刘婷婷 Liu Tingting, 贾淑芹 Jia Shuqin, 等. 基于物理信息神经网络的化学激光数值研究[J]. Chinese Journal of Lasers, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。