CN112505829A - 一种模式选择性耦合器设计方法 - Google Patents

一种模式选择性耦合器设计方法 Download PDF

Info

Publication number
CN112505829A
CN112505829A CN202011472061.XA CN202011472061A CN112505829A CN 112505829 A CN112505829 A CN 112505829A CN 202011472061 A CN202011472061 A CN 202011472061A CN 112505829 A CN112505829 A CN 112505829A
Authority
CN
China
Prior art keywords
mode
optical fiber
fiber
few
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011472061.XA
Other languages
English (en)
Other versions
CN112505829B (zh
Inventor
张森瑜
张聪
刘德明
唐明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011472061.XA priority Critical patent/CN112505829B/zh
Publication of CN112505829A publication Critical patent/CN112505829A/zh
Application granted granted Critical
Publication of CN112505829B publication Critical patent/CN112505829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
    • G02B6/10—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type
    • G02B6/14—Mode converters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
    • G02B6/10—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type
    • G02B6/12—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings of the optical waveguide type of the integrated circuit kind
    • G02B2006/12133—Functions
    • G02B2006/12147—Coupler

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optics & Photonics (AREA)
  • Optical Couplings Of Light Guides (AREA)

Abstract

本发明属于光纤通信系统领域，具体公开一种模式选择性耦合器设计方法，包括：确定待设计模式选择性耦合器的工作波长范围，计算需要耦合的少模光纤任一高阶模在工作波长范围内的有效折射率曲线；采用搜索优化算法，以用于匹配耦合高阶模的目标光纤在工作波长范围内的有效折射率曲线与高阶模的有效折射率曲线偏差逐渐收敛至零为目标，搜索优化出目标光纤的参数；以最大化在工作波长范围内高阶模与目标光纤基模之间的平均转换效率为目标，优化在待设计模式选择性耦合器中少模光纤和所述目标光纤之间的间距，完成模式选择性耦合器设计。本发明可根据实际耦合器工作波长范围进行精准设计，实现定制化逆向设计，实现高效率、大带宽、低损耗的耦合。

Description

一种模式选择性耦合器设计方法
技术领域
本发明属于光纤通信系统领域，更具体地，涉及一种模式选择性耦合器设计方法。
背景技术
近年来，随着智能终端的普及和新型网络业务的发展，网络流量呈爆炸式增长，以单模光纤(或少模光纤)为基础的传统光纤通信系统已经逐渐逼近非线性香农极限。为了能够突破非线性香农极限，以便满足未来超大容量通信需求，基于少模光纤的模分复用方案已成为近年光纤通信领域的前沿方向和热点课题之一。模分复用技术通过使用彼此正交的少模光纤空间模式作为独立的传输信道，进而可以成倍提升光纤传输系统的容量。
在模分复用系统中，模式复用器和解复用器是最关键的部分，基于自由空间光学的模式复用器和解复用器结构简单，但需要较高的光路稳定性，体积大难于集成，具有较高的插入损耗；基于波导技术的模式复用器和解复用器虽然可以降低器件对波长的依赖性，但其结构和光纤结构不匹配，会造成较大的插入损耗；全光纤模式复用器和解复用器主要有基于熔融拉锥的模式选择性耦合器、基于绝热转换的光纤光子灯笼等，尺寸小，采用复用器接口，插入损耗低，但其对波长敏感，器件可用带宽窄。因此，设计一种对波长不敏感的全光纤耦合器件在较宽的波长范围内实现模式的高效率耦合显得尤为重要。
发明内容
本发明提供一种模式选择性耦合器设计方法，用以解决现有模式选择性耦合器设计方法所设计出的耦合器在实际工作中工作波长限制高的技术问题。
本发明解决上述技术问题的技术方案如下：一种模式选择性耦合器设计方法，包括：
确定待设计模式选择性耦合器的工作波长范围，计算需要耦合的少模光纤任一高阶模在所述工作波长范围内的有效折射率曲线；
采用搜索优化算法，以用于匹配耦合所述高阶模的目标光纤在所述工作波长范围内的有效折射率曲线与所述高阶模的有效折射率曲线偏差逐渐收敛至零为目标，搜索优化出所述目标光纤的参数；
以最大化在所述工作波长范围内所述高阶模与所述目标光纤基模之间的平均转换效率为目标，优化在待设计模式选择性耦合器中所述少模光纤和所述目标光纤之间的间距，完成模式选择性耦合器的设计。
本发明的有益效果是：本发明所提出的设计方法的实质是寻找在高阶模存在的波长范围内和少模光纤高阶模有效折射率曲线重合或重合度很高、实现相位匹配的单模光纤(或少模光纤)参数，因此利用本发明方法，可以针对任意少模光纤中的任意高阶模式利用搜索优化算法的方式得到对应目标单模光纤(或少模光纤)的参数，则该目标光纤的基模与少模光纤高阶模能在工作波长范围内实现相位匹配，从而实现高效率、大带宽、低损耗的耦合。另外，在得到目标光纤的参数之后，以最大化在耦合器工作波长范围内少模光纤高阶模与目标光纤基模之间的平均转换效率为目标，优化少模光纤和目标光纤的间距，能够实现耦合器较高的模式耦合效率。本发明设计的模式选择性耦合器采用全光纤耦合方式，结构紧凑，不受外界因素干扰；且可根据耦合器实际工作波长范围(可宽可窄，波长不受限)设计得到模式选择性耦合器后，该耦合器可在该工作波长范围内的多个波长下(波长不受限)连续稳定工作，且在很宽的波长范围内(波长也不受限)实现高模式耦合率和低插入损耗。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述搜索优化算法为已训练的光纤参数预测神经网络；
则所述搜索优化出所述目标光纤的参数，具体为：
将所述高阶模对应的有效折射率曲线中多个离散点数据输入所述光纤参数预测神经网络，得到用于匹配耦合所述高阶模的目标光纤的参数。
本发明的进一步有益效果是：本优选方案采用神经网络进行目标光纤参数的搜索优化，实际是提出一种基于深度学习的波长不敏感全光纤模式选择性耦合器设计方法。神经网络是一个比较强大的非线性拟合工具，可以有效得到用于匹配耦合所述高阶模的目标光纤的参数。
进一步，所述光纤参数预测神经网络的训练方法为：
随机取不同光纤参数的单模光纤或少模光纤；
分别计算各光纤参数的单模光纤或少模光纤基模在所述工作波长范围内的有效折射率曲线；
构建训练样本集，其中，每个训练样本包括：作为神经网络输入量的每个有效折射率曲线中多个离散点，以及作为神经网络输出量的该有效折射率曲线所对应的光纤参数；
采用所述训练样本集训练神经网络，得到所述光纤参数预测神经网络。
本发明的进一步有益效果是：采用该训练方法，得到在特定工作波长范围内光纤基模有效折射率曲线与光纤参数的对应关系，能够有效寻找在高阶模存在的波长范围内和少模光纤高阶模有效折射率曲线重合或重合度很高、实现相位匹配的单模光纤或少模光纤参数。
进一步，所述随机取不同光纤参数的单模光纤或少模光纤中，该光纤参数为影响该单模光纤或少模光纤的基模有效折射率的参数。
本发明的进一步有益效果是：在以往的全光纤模式选择性耦合器件中，往往只考虑到了光纤纤芯直径对模式有效折射率的影响，而本方案中考虑了所有可能影响模式有效折射率的因素，充分利用了单模光纤(或少模光纤)的相关参数。
进一步，所述神经网络为深度神经网络，所述神经网络中的回归器为自适应矩估计算法和批量计算优化的梯度下降法；且在所述训练中采用均方根误差函数作为误差函数。
进一步，所述间距的优化采用仿真优化的方式。
进一步，所述设计方法还包括：
获取所述少模光纤和所述目标光纤，并基于所述间距，制作模式选择性耦合器。
进一步，所述制作方法为研磨抛光、熔融拉锥或腐蚀。
本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种模式选择性耦合器设计方法。
附图说明
图1为本发明实施例提供的一种模式选择性耦合器设计方法流程框图；
图2为本发明实施例提供的另一种基于神经网络深度学习的模式选择性耦合器设计方法的步骤流程图；
图3为本发明实施例提供的用于深度学习的神经网络框架示意图；
图4为本发明实施例提供的使用研磨抛光法制造所设计的模式选择性耦合器示意图；
图5为本发明实施例提供的示例一中LP11模对应的模式选择性耦合器分别在1550nm处和S+C+L波段耦合区的耦合信息示意图；
图6为本发明实施例提供的示例一中LP21模对应的模式选择性耦合器分别在1550nm处和S+C+L波段耦合区的耦合信息示意图；
图7为本发明实施例提供的示例二中LP11模对应的模式选择性耦合器分别在1550nm处和S+C+L波段耦合区的耦合信息示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种模式选择性耦合器设计方法，如图1所示，包括：
确定待设计模式选择性耦合器的工作波长范围，计算需要耦合的少模光纤任一高阶模在所述工作波长范围内的有效折射率曲线；
采用搜索优化算法，以用于匹配耦合上述高阶模的目标光纤在上述工作波长范围内的有效折射率曲线与上述高阶模的有效折射率曲线偏差逐渐收敛至零为目标，搜索优化出上述目标光纤的参数；
以最大化在上述工作波长范围内上述高阶模与上述目标光纤基模之间的平均转换效率为目标，优化在待设计模式选择性耦合器中上述少模光纤和上述目标光纤之间的间距，完成模式选择性耦合器的设计。
由于模式选择性耦合器采用少模光纤的高阶模进行模式转换，因此选择具有基模的目标光纤，则其中的目标光纤为单模光纤或少模光纤，待设计模式选择性耦合器由少模光纤和该种目标光纤组成。
耦合器中两个光纤的耦合条件有两方面，一个是两个光纤对应的两个模式在同一波长下的有效折射率相同，这样的传播常数相同，即要满足相位匹配条件或有效折射率匹配条件；另一个是最佳耦合间距。
本实施例所提出的设计方法的实质是寻找在高阶模存在的波长范围内和少模光纤高阶模有效折射率曲线重合或重合度很高、实现相位匹配的单模光纤(或少模光纤)参数，因此利用本实施例提供的方法，可以针对任意少模光纤中的任意高阶模式利用搜索优化算法的方式得到对应目标单模光纤(或少模光纤)的参数，则该目标光纤的基模与少模光纤高阶模能在工作波长范围内实现相位匹配，从而实现高效率、大带宽、低损耗的耦合，其中，搜索优化算法可以是传统算法例如遗传算法，也可以为神经网络。另外，在得到目标光纤的参数之后，以最大化在耦合器工作波长范围内少模光纤高阶模与目标光纤基模之间的平均转换效率为目标，优化少模光纤和目标光纤的间距，能够实现耦合器较高的模式耦合效率。本实施例的模式选择性耦合器采用全光纤耦合方式，结构紧凑，不受外界因素干扰；且本实施例可根据耦合器实际工作波长范围(可宽可窄，波长不受限)设计得到模式选择性耦合器后，该耦合器可在该工作波长范围内的多个波长下(波长不受限)连续稳定工作，且在很宽的波长范围内(波长也不受限)实现高模式耦合率和低插入损耗。因此，本实施例实际是提出一种波长不敏感全光纤模式选择性耦合器设计方法。
需要说明的是，为了实现高效率的模式转换，目标光纤的包层折射率参数与少模光纤的包层折射率参数取值相同，以保证模式选择性耦合器在制作完成后正常工作。其次，基于该设计方法所设计出的参数而制作出的模式选择性耦合器具有将目标光纤的基模转换为少模光纤的高阶模或者将少模光纤的高阶模转换为目标光纤的基模的模式转换功能。另外，少模光纤和目标光纤的纤芯间距往往会影响耦合区的长度和耦合效率，所以如果对器件尺寸有要求，则需要在耦合区的长度和耦合效率之间取得平衡，得到最优的纤芯间距。
优选的，上述搜索优化算法为已训练的光纤参数预测神经网络；
则上述搜索优化出上述目标光纤的参数，具体为：
将上述高阶模对应的有效折射率曲线中多个离散点数据输入上述光纤参数预测神经网络，得到用于匹配耦合上述高阶模的目标光纤的参数。
本优选方案采用神经网络进行目标光纤参数的搜索优化，实际是提出一种基于深度学习的波长不敏感全光纤模式选择性耦合器设计方法，其中神经网络可以有多种类型和算法可供选择。得益于数据量急剧增加与计算机处理能力显著提高，机器学习作为人工智能领域的核心技术之一，近年来在各行各业都获得了较为广泛的应用，例如数据挖掘、计算机视觉、自然语言处理、生物特征识别等。而神经网络技术，作为一种具有强大的非线性拟合能力的机器学习工具，在光纤通信系统中也被广泛应用于信道均衡、调制格式识别、光性能监测和故障检测等方面，取得了良好的效果。利用神经网络通过大量数据训练，使用不同的算法自主学习，也可以进行逆向参数设计和优化。因此，神经网络是一个比较强大的非线性拟合工具，可以有效得到用于匹配耦合所述高阶模的目标光纤的参数。
另外，若上述搜索优化算法采用遗传算法，则需要首先配置好遗传算法设置，以高阶模对应的有效折射率曲线和遗传算法迭代得到的基模有效折射率曲线的均方根误差作为目标函数进行优化，得到用于匹配耦合上述高阶模的目标光纤的参数。
优选的，上述光纤参数预测神经网络的训练方法为：
随机取不同光纤参数的单模光纤或少模光纤；
分别计算各光纤参数的单模光纤或少模光纤基模在上述工作波长范围内的有效折射率曲线；
构建训练样本集，其中，每个训练样本包括：作为神经网络输入量的每个有效折射率曲线中多个离散点，以及作为神经网络输出量的该有效折射率曲线所对应的光纤参数；
采用上述训练样本集训练神经网络，得到上述光纤参数预测神经网络。
采用该训练方法，得到在特定工作波长范围内光纤基模有效折射率曲线与光纤参数的对应关系，能够有效寻找在高阶模存在的波长范围内和少模光纤高阶模有效折射率曲线重合或重合度很高、实现相位匹配的单模光纤或少模光纤参数。
利用神经网络进行深度学习逆向设计得到与少模光纤高阶模满足相位匹配条件的单模光纤(或少模光纤)参数，充分利用了神经网络的灵活性好、优化时间短的优点，并且训练好的神经网络可以重复使用。也可以临时训练临时使用，例如如图2所示的流程。
需要注意的是，在实际设计时输入给神经网络的少模光纤高阶模的有效折射率所对应的波长应和神经网络训练时给神经网络的波长相同。本方案提供的模式选择性耦合器设计方法可以根据实际耦合器的工作波长范围进行精准设计，真正实现定制化逆向设计。
对以上所提到的待匹配少模光纤以及匹配用或训练用的单模光纤、少模光纤的折射率分布不作约束，折射率分布可以为阶跃型折射率分布、渐变型折射率分布或其他任意类型折射率分布。
另外，在耦合器工作波长范围下计算的待匹配少模光纤有效折射率数据点数(即待输入神经网络用于估计目标光纤参数化的离散点数目)与训练时每个训练样本中的离散点数目保持一致。在耦合器工作波长范围下计算的待匹配少模光纤有效折射率数据点数可以根据搭建的神经网络来确定，每个训练样本中的离散点数目越高，数据量越大导致计算复杂度也越大，导致训练时间增加。因此需要在计算结果的精度和计算过程的复杂度之间取得平衡。
优选的，上述随机取不同光纤参数的单模光纤或少模光纤中，该光纤参数为影响该单模光纤或少模光纤的基模有效折射率的参数，如光纤纤芯的直径、光纤的纤芯折射率等。另外，若该单模光纤或少模光纤为渐变折射率光纤，则该参数还可以包括渐变折射率系数，若该单模光纤或少模光纤为阶梯型折射率分布光纤，则该参数还可以包括具体的阶梯参数等。
在以往的全光纤模式选择性耦合器件中，往往只考虑到了光纤纤芯直径对模式有效折射率的影响，而本方案中考虑了所有可能影响模式有效折射率的因素，充分利用了单模光纤(或少模光纤)的相关参数。
优选的，上述神经网络为深度神经网络(如图3所示的神经网络)，上述神经网络中的回归器为自适应矩估计算法和批量计算优化的梯度下降法；且在上述训练中采用均方根误差函数作为误差函数。
深度神经网络对于输入与输出往往有更充分的解析能力，在训练数据量足够大的情况下一般有着更优越的映射解析能力，因此所述神经网络优选为深度神经网络。梯度下降算法可以通过不断往梯度的负方向移动参数来求解，可以使得网络参数不断收敛到全局(或者局部)最小值，因此所述神经网络优选梯度下降法更新权值和偏置。自适应矩估计算法通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，并且调参相对简单，因此使用自适应矩估计算法作为上述神经网络中的回归器。
优选的，上述间距的优化采用仿真优化的方式。
仿真优化少模光纤和目标光纤之间的间距，使得在耦合器工作波长范围内，少模光纤的高阶模和目标光纤的基模的耦合效率达到最优，方便快捷。
优选的，上述设计方法还包括：获取上述少模光纤和上述目标光纤，并基于上述间距，制作模式选择性耦合器，进行封装。
优选的，上述制作方法可为研磨抛光、熔融拉锥或腐蚀等，其中，如图4所示为研磨抛光法制造出的模式选择性耦合器的示意图。需要注意的是，该方案需要保证在进行耦合时目标光纤和少模光纤的间距为上述优化出的间距。
为了使得本发明方案的实现流程更具体、清晰，现给出具体如下示例：
示例一
使用阶跃折射率分布的少模光纤和阶跃折射率分布的单模光纤(或少模光纤)设计模式选择性耦合器。少模光纤的参数为：纤芯直径为23um，包层直径为125um，纤芯折射率为1.449，包层折射率为1.444。以LP11模式和LP21为例，选择工作波长范围为S+C+L波段(1460nm-1625nm)，分别使用本实施例提出的方法进行模式选择性耦合器设计。
首先计算不同光纤参数的单模光纤(或少模光纤)在该工作波长范围下基模的有效折射率，在本实施例中，计算不同纤芯直径和纤芯折射率的单模光纤(或少模光纤)共23711种，在工作波长范围内选择相同间隔的30个波长计算有效折射率。再将数据提供给已搭建好的神经网络进行训练，通过对神经网络参数调整，神经网络的线性回归器的均方根误差为0.003。将该少模光纤的LP11模在该波长范围下的有效折射率输入给已经训练完成的神经网络，得到神经网络预测的单模光纤(或少模光纤)参数为：纤芯直径为11.48um，纤芯折射率为1.4493，最后使用光束传播法(BPM)仿真优化纤芯间距为20um。同理可得，将该少模光纤的LP21模在该波长范围下的有效折射率输入给已经训练完成的神经网络，得到神经网络预测的单模光纤(或少模光纤)参数为：纤芯直径为5.632um，纤芯折射率为1.45116，最后使用光束传播法(BPM)仿真优化纤芯间距为20um。
如图5所示，LP11模对应的模式选择性耦合器耦合区分别在1550nm处(左图)和S+C+L波段(右图)的耦合情况，计算得到在S+C+L波段平均耦合效率为96.96％，耦合区长度为5200um。
如图6所示，LP21模对应的模式选择性耦合器耦合区分别在1550nm处(左图)和S+C+L波段(右图)的耦合情况，计算得到在S+C+L波段平均耦合效率为94.15％，耦合区长度为5050um。
示例二
使用阶跃折射率分布的少模光纤和渐变折射率分布的单模光纤(或少模光纤)设计模式选择性耦合器。阶跃折射率分布少模光纤的参数为：纤芯直径为22um，包层直径为125um，纤芯折射率为1.45519，包层折射率为1.45135。以LP11模式为例，选择工作波长范围为S+C+L波段(1460nm-1625nm)，分别使用本发明提出的方法进行模式选择性耦合器设计。
首先计算不同光纤参数的单模光纤(或少模光纤)在该工作波长范围下基模的有效折射率，在本实施例中，计算不同纤芯直径和纤芯折射率的单模光纤(或少模光纤)共23711种，在工作波长范围内选择相同间隔的30个波长计算有效折射率。再将数据提供给已搭建好的神经网络进行训练，通过对神经网络参数调整，神经网络的线性回归器的均方根误差为0.004。将该少模光纤的LP11模在该波长范围下的有效折射率输入给已经训练完成的神经网络，得到神经网络预测的单模光纤(或少模光纤)参数为：纤芯直径为14.864um，纤芯折射率为1.45732，渐变折射率系数为1.18，最后使用光束传播法(BPM)仿真优化纤芯间距为22um。
如图7所示，LP11模对应的模式选择性耦合器耦合区分别在1550nm处和S+C+L波段的耦合情况。计算得到在S+C+L波段平均耦合效率为93.75％，耦合区长度为5050um。
总的而言，本实施例提供了一种基于神经网络深度学习的模式选择性耦合器设计方法。提出的模式选择性耦合器由少模光纤和单模光纤(或少模光纤)组成，利用本实施例提供的方法，可以针对任意少模光纤中的任意模式利用搜索优化算法(例如神经网络深度学习)的方式得到对应单模光纤(或少模光纤)的参数。模式选择性耦合器采用全光纤耦合方式，结构紧凑，不受外界因素干扰，且在很宽的波长范围内实现高模式耦合率和低插入损耗。
实施例二
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种模式选择性耦合器设计方法。相关技术方案同实施例一，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种模式选择性耦合器设计方法，其特征在于，包括：
确定待设计模式选择性耦合器的工作波长范围，计算需要耦合的少模光纤任一高阶模在所述工作波长范围内的有效折射率曲线；
采用搜索优化算法，以用于匹配耦合所述高阶模的目标光纤在所述工作波长范围内的有效折射率曲线与所述高阶模的有效折射率曲线偏差逐渐收敛至零为目标，搜索优化出所述目标光纤的参数；
以最大化在所述工作波长范围内所述高阶模与所述目标光纤基模之间的平均转换效率为目标，优化在待设计模式选择性耦合器中所述少模光纤和所述目标光纤之间的间距，完成模式选择性耦合器的设计。
2.根据权利要求1所述的一种模式选择性耦合器设计方法，其特征在于，所述搜索优化算法为已训练的光纤参数预测神经网络；
则所述搜索优化出所述目标光纤的参数，具体为：
将所述高阶模对应的有效折射率曲线中多个离散点数据输入所述光纤参数预测神经网络，得到用于匹配耦合所述高阶模的目标光纤的参数。
3.根据权利要求2所述的一种模式选择性耦合器设计方法，其特征在于，所述光纤参数预测神经网络的训练方法为：
随机取不同光纤参数的单模光纤或少模光纤；
分别计算各光纤参数的单模光纤或少模光纤基模在所述工作波长范围内的有效折射率曲线；
构建训练样本集，其中，每个训练样本包括：作为神经网络输入量的每个有效折射率曲线中多个离散点，以及作为神经网络输出量的该有效折射率曲线所对应的光纤参数；
采用所述训练样本集训练神经网络，得到所述光纤参数预测神经网络。
4.根据权利要求3所述的一种模式选择性耦合器设计方法，其特征在于，所述随机取不同光纤参数的单模光纤或少模光纤中，该光纤参数为影响该单模光纤或少模光纤的基模有效折射率的参数。
5.根据权利要求3所述的一种模式选择性耦合器设计方法，其特征在于，所述神经网络为深度神经网络，所述神经网络中的回归器为自适应矩估计算法和批量计算优化的梯度下降法；且在所述训练中采用均方根误差函数作为误差函数。
6.根据权利要求1所述的一种模式选择性耦合器设计方法，其特征在于，所述间距的优化采用仿真优化的方式。
7.根据权利要求1至6任一项所述的一种模式选择性耦合器设计方法，其特征在于，所述设计方法还包括：
获取所述少模光纤和所述目标光纤，并基于所述间距，制作模式选择性耦合器。
8.根据权利要求7所述的一种模式选择性耦合器设计方法，其特征在于，所述制作方法为研磨抛光、熔融拉锥或腐蚀。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至6任一项所述的一种模式选择性耦合器设计方法。
CN202011472061.XA 2020-12-14 2020-12-14 一种模式选择性耦合器设计方法 Active CN112505829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472061.XA CN112505829B (zh) 2020-12-14 2020-12-14 一种模式选择性耦合器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472061.XA CN112505829B (zh) 2020-12-14 2020-12-14 一种模式选择性耦合器设计方法

Publications (2)

Publication Number Publication Date
CN112505829A true CN112505829A (zh) 2021-03-16
CN112505829B CN112505829B (zh) 2022-02-15

Family

ID=74973204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472061.XA Active CN112505829B (zh) 2020-12-14 2020-12-14 一种模式选择性耦合器设计方法

Country Status (1)

Country Link
CN (1) CN112505829B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186493A (zh) * 2021-12-13 2022-03-15 天津理工大学 一种基于神经网络的光纤多芯耦合器特性分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336330A (zh) * 2013-07-05 2013-10-02 中国科学院半导体研究所 一种基于非对称垂直狭缝波导的偏振旋转器
US20160012176A1 (en) * 2012-11-30 2016-01-14 Coriant Advanced Technology, LLC Methods for designing photonic devices
US20180003897A1 (en) * 2015-06-29 2018-01-04 Elenion Technologies, Llc Optimized 2x2 3db multi-mode interference coupler
CN110531462A (zh) * 2019-09-06 2019-12-03 北京大学 一种用于光模分复用器的锥形结构参数优化方法及系统
CN111093123A (zh) * 2019-12-09 2020-05-01 华中科技大学 一种基于复合神经网络的灵活光网络时域均衡方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012176A1 (en) * 2012-11-30 2016-01-14 Coriant Advanced Technology, LLC Methods for designing photonic devices
CN103336330A (zh) * 2013-07-05 2013-10-02 中国科学院半导体研究所 一种基于非对称垂直狭缝波导的偏振旋转器
US20180003897A1 (en) * 2015-06-29 2018-01-04 Elenion Technologies, Llc Optimized 2x2 3db multi-mode interference coupler
CN110531462A (zh) * 2019-09-06 2019-12-03 北京大学 一种用于光模分复用器的锥形结构参数优化方法及系统
CN111093123A (zh) * 2019-12-09 2020-05-01 华中科技大学 一种基于复合神经网络的灵活光网络时域均衡方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖亚玲等: "基于少模光纤的全光纤熔融模式选择耦合器的设计及实验研究", 《物理学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186493A (zh) * 2021-12-13 2022-03-15 天津理工大学 一种基于神经网络的光纤多芯耦合器特性分析方法

Also Published As

Publication number Publication date
CN112505829B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
US4755022A (en) Zero dispersion single mode optical fiber with center core and side core in the 1.5 μm wavelength region
EP0307228B1 (en) Few-mode/single-mode fiber
US11899237B2 (en) Multicore optical fiber, method of designing multicore optical fiber, and optical transmission method
CN103649797A (zh) 用于空间多路复用的阶跃折射率少模光纤设计
CN110543746B (zh) 一种环芯光纤优化设计的方法
CN112505829B (zh) 一种模式选择性耦合器设计方法
Paek Dispersionless single-mode fibers with trapezoidal-index profiles in the wavelength region near 1.5 μm
CN110515159A (zh) 基于光纤端面微结构的LP01-LPmn全光纤模式转换器及其制备方法
Zhang et al. Genetic algorithm assisted bridge fiber design and fabrication for few-mode multi-core fiber Fan-in/Fan-out device
US11199664B2 (en) Flexible waveguide having an asymmetric optical-loss performance curve and improved worst-case optical-loss performance
Sun et al. Adjoint-method-inspired grating couplers for CWDM O-band applications
Wang et al. Optimal design method of a low-loss broadband Y branch with a multimode waveguide section
Chebaane et al. Machine learning-based inverse design of raised cosine few mode fiber for low coupling
US20240264432A1 (en) Methods and apparatus for optical fibre design and production
Patra et al. A simple method for studying single-mode graded index fibers in the low V region
CN114942490A (zh) 一种基于特征矩阵的多包层阶跃光纤设计方法
Matthijsse et al. On the design of wide bandwidth window multimode fibers
Bourdine et al. DMGD reducing in few-mode fiber optic links by special refractive index profile and selective mode excitation provided by designed MDM channels placement scheme over fiber core end
Asianuba et al. Reduction of Micro-Bending Losses in Fiber Optic Communication System
Bourdine et al. Simulation and research of few-mode optical fiber DMD degradation due to geometry deviation from optimized form
Chiadini et al. Variational analysis of matched-clad optical fibers
CN114186493A (zh) 一种基于神经网络的光纤多芯耦合器特性分析方法
Bourdine et al. Design of MDM-multiplexer channel precision spatial positioning scheme at the core end of a few-mode optical fiber with asymmetrically distorted core geometry
Yamasaki et al. Spot size converter with cross-vertical taper for low-loss coupling between ZrO 2-SiO 2 PLC and SMF
Shen et al. A design method for integrated high-fabrication-tolerance asymmetric directional couplers based mode (de) multiplexer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant