CN117010189A - 基于高斯回归过程的dbr激光功率和波长建模方法 - Google Patents
基于高斯回归过程的dbr激光功率和波长建模方法 Download PDFInfo
- Publication number
- CN117010189A CN117010189A CN202310975763.7A CN202310975763A CN117010189A CN 117010189 A CN117010189 A CN 117010189A CN 202310975763 A CN202310975763 A CN 202310975763A CN 117010189 A CN117010189 A CN 117010189A
- Authority
- CN
- China
- Prior art keywords
- wavelength
- current
- temperature
- power
- dbr laser
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000004065 semiconductor Substances 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 17
- 238000002347 injection Methods 0.000 claims description 13
- 239000007924 injection Substances 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 11
- 239000000969 carrier Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Semiconductor Lasers (AREA)
Abstract
本发明基于高斯回归过程的DBR激光功率和波长建模方法,基于高斯回归过程算法对DBR激光的输出功率和波长进行精确描述和预测。针对DBR激光开展物理机理研究,分别对功率、电流和温度之间的关系以及波长、电流和温度之间的关系进行分析,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本,根据物理分析结果分别设计针对功率和波长的组合核函数,设置超参数的初始值,确定先验模型,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型,将测试样本应用到优化后的模型中,输出功率和波长的预测值。本发明能够精确且快速获取DBR激光输出功率和波长的模型,有助于提升DBR激光功率和频率控制的效率和精度。
Description
技术领域
本发明涉及半导体激光应用技术领域,具体涉及基于高斯回归过程的DBR激光功率和波长建模方法。
背景技术
分布式布拉格反射式(DBR,distributed Bragg reflector)激光因其线宽窄、可调谐范围广而在原子物理学领域大放异彩。近年来,它已被广泛用于原子磁强计、原子陀螺仪、冷原子干涉、暗物质探测等方面的研究。由商用激光直接发出的激光束往往不足以满足具体的应用,因此提高激光的输出性能是激光应用中最基本但意义重大的研究。在大多数原子物理研究中,激光的功率和波长都需要控制。对于原子磁强计和陀螺仪来说,需要稳定激光的波长和功率,在冷原子的干涉实验中,进行频率快速移动等精细操作意义重大。然而,在实际实验过程中,激光的功率和波长控制往往是复杂而繁琐的。首先,需要通过测量大量的数据来大致获得所用的激光输出特性。其次,为了使控制更加精确,在控制过程中往往要用到各种光学元件、仪器和特定的电路系统,这大大增加了实验装置的复杂性。实验中遇到的上述问题使人们希望找到一种方法来快速准确地描述激光的功率和波长,以提高控制效率和激光输出性能的精度。
发明内容
本发明的目的在于针对半导体激光应用领域,提出基于高斯回归过程的DBR激光功率和波长建模方法,提升DBR激光功率和波长控制的效率和精度。
本发明的技术解决方案如下:
基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,包括基于高斯回归过程算法对DBR激光的输出功率和波长进行精确描述和预测;针对DBR激光开展物理机理研究,对功率P、电流I和温度T之间的关系进行分析和对波长λ、电流I和温度T之间的关系进行分析,搭建实验装置获取数据,并对获取的数据进行处理,选取学习样本和测试样本,根据物理分析结果设计出功率组合核函数kp(xi,xj)和/或波长组合核函数kw(xi,xj),xi和xj均代表学习样本或者测试样本中的变量,i和j均为变量序号数;设置超参数初始值,确定先验模型,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型,将测试样本应用到优化后的模型中,输出功率和波长的预测值。
其中σ1~σ2是第一至第二输出规模参数,l1表示第一长度尺度参数,c表示常数参数,d表示指数参数,代表xi的转置,σ1~σ2、l1、c、和d均属于待优化超参数。
其中σ3~σ4是第三至第四输出规模参数,l3表示第三长度尺度参数,p表示周期性参数,σ3、σ4、l3和p均属于待优化超参数。
包括以下步骤:
步骤1,开展半导体DBR激光器机理研究,分别对输出功率、电流和温度之间的关系以及输出波长、电流和温度之间的关系进行分析,作为后续算法设计的基础;
步骤2,根据激光器机理研究结果,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本;
步骤3,基于激光器机理研究,分别设计针对功率和波长的组合核函数;
步骤4,基于设计好的组合核函数,设置其中超参数的初始值,确定先验模型;
步骤5,训练学习样本对先验模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型;
步骤6,将测试样本应用到优化后的后验模型中,输出功率和波长的预测值,最终实现对DBR激光功率和波长的精准建模。
所述步骤1中包括对输出功率、电流和温度之间的关系分析如下:对DBR半导体激光来说,驱动电流直接影响输出功率,而温度通过影响阈值电流和为微分量子效率来改变输出功率;在驱动电流在阈值电流之上时,半导体激光产生受激辐射从而正常出光;根据载流子速率方程理论,在阈值电流以上时,输出功率P与电流I的关系可以由下式表示:
其中,ηd为外微分量子效率,定义为激光的输出光子数随着注入电子增加的比率,h是普朗克常数,v是激光频率,q为单位电荷量,Ith表示阈值电流;
温度T对激光的阈值电流Ith和外微分量子效率ηd的影响分别如下式表示:
Ith=I0exp(T/T0)
ηd=η0exp(-T/T1)
其中,I0表示T=0K时候的阈值电流,T0代表特征温度,表征了阈值电流对温度的敏感程度,η0表示T=0K时候的外微分量子效率,T1代表特征温度,表征了阈值电流以及外微分量子效率对温度的敏感程度;
在注入电流保持恒定的前提下,阈值电流与外微分量子效率随着温度的变化而呈现指数型变化;综上所示,在阈值电流以上时,功率P和电流I、温度T的关系如下式:
所述步骤1中包括对输出波长、电流和温度之间的关系分析如下:半导体激光输出波长随电流的变化而变化;当注入电流发生改变时,能带中载流子浓度相应的发生改变,载流子浓度随电流增大而增加,使得导带中电子的填充比率就越高,从而使得增益曲线向更高光子能量处移动,介质增益增大,同时载流子的浓度变化将引起有源区折射率的变化,该二者作用,使半导体激光输出波长发生变化;随着注入电流的增大,半导体激光输出波长向长波长方向移动,即产生所谓的“红移”,一般注入电流每增加1mA,波长将向长波长区移动约0.01nm。此外,电流的增加还将导致半导体激光温度的升高,该温升也将对波长的变化造成一定的影响;半导体材料的禁带宽度会显著地受到温度的影响,禁带宽度Eg与温度T之间的关系存在一个经典公式为:
Eg=Eg(0)-Shv[coth(hv)/2kT-1]
其中,Eg(0)对应于T=0K时的禁带宽度,S是无量纲的耦合常数,coth()代表双曲余切函数,k是波尔兹曼常数,另一方面,温度也会改变半导体材料的折射率,通常情况下折射率随温度上升而增大。
所述步骤2中的实验装置包括DBR激光器,所述DBR激光器分别连接温度控制端和电流控制端,所述DBR激光器依次通过隔离器和半波片连接偏振分光棱镜的入射侧,所述偏振分光棱镜的透射侧连接功率计,所述偏振分光棱镜的反射侧连接波长计。
所述步骤2中包括分别求解电流、温度和功率的数值关系以及电流、温度和波长的数值关系:
P~f1(I,T)
λ~f2(I,T)
其中,P为输出功率,λ为输出波长,I为输入电流,T为输入温度,f1表示要求解的电流、温度和功率的数值关系,f2表示要求解的电流、温度和波长的数值关系;
搭建实验装置采集输出功率和波长以及相对应的电流和温度值;在数据采集期间,首先通过保持温度恒定,调整电流,分别测量功率和波长值;而后保持电流恒定,调节温度,分别对这两个过程重复三次,将测量结果按3σ原理进行滤波,使用5折交叉验证法来处理数据集从而产生学习样本和测试样本。
所述步骤3中包括:高斯回归过程的性质由核函数决定,在建模过程中关键环节就是确定核函数,需要针对输出功率和波长分别设计相应的核函数;首先对功率进行设计;通过物理机理可以看出,温度和电流对功率的影响主要呈现指数和多项式的趋势;所以根据这两种影响趋势分别设计相应的单协方差核函数;针对指数趋势,设计相应的核函数k1为:
其中,xi和xj代表学习样本或者测试样本中的某个随机变量组合,σ1和l1是待优化的超参数,σ1表示输出规模参数,l1表示长度尺度参数;
对于多项式趋势,相应的核函数k2被设计为:
其中,σ2、c和d是待优化的超参数,σ2表示输出规模参数,c表示常数参数,d表示指数参数,代表xi的转置;
高斯回归过程的核函数必须是正的和半无限的,这意味着单核函数的组合大多是加法或简单的乘法;考虑到DBR激光的电流和温度有很强的相关性,将上述两个单核函数相乘,生成一个新的组合核函数,以反映输入量的相互影响;功率组合核函数kp设计如下:
所述步骤3中对波长设计组合核函数包括:根据通常的经验,DBR激光的波长在特定范围内随着电流和温度的变化呈线性趋势;考虑到由于模式跳变,会有局部的非线性趋势,对波长组合核函数kw设计如下:
其中σ3、σ4、l3和p是待优化的超参数,σ3和σ4表示输出规模参数,l3表示长度尺度参数,p表示周期性参数。将线性核函数和周期性核函数加在一起,得到这个新的组合核函数,它有整体的线性趋势,并能描述局部的非线性变化。
所述步骤5中包括:通过采用极大似然法对模型参数进行优化,从而获得最优超参数,确定后验模型;在极大似然框架下,需要通过不断调整超参数来使学习样本的对数似然函数取得最大,获取最优超参数。
本发明的技术效果如下:本发明基于高斯回归过程的DBR激光功率和波长建模方法,基于高斯回归过程算法对DBR激光的输出功率和波长进行精确描述和预测。针对DBR激光开展物理机理研究,分别对功率、电流和温度之间的关系以及波长、电流和温度之间的关系进行分析,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本,根据物理分析结果分别设计针对功率和波长的组合核函数,设置超参数的初始值,确定先验模型,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型,将测试样本应用到优化后的模型中,输出功率和波长的预测值。本发明能够精确且快速获取DBR激光输出功率和波长的模型,有助于提升DBR激光功率和频率控制的效率和精度。
附图说明
图1是实施本发明基于高斯回归过程的DBR激光功率和波长建模方法的流程示意图。图1中包括步骤1,开展半导体DBR激光器机理研究(DBR,distributed Braggreflector,分布式布拉格反射),对功率、电流和温度之间的关系,以及波长、电流和温度之间关系进行分析;步骤2,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本;步骤3,根据物理分析结果,分别设计针对功率和波长的组合核函数;步骤4,设置超参数的初始值,确定先验模型;步骤5,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型;步骤6,将测试样本应用到优化后的模型中,输出功率和波长的预测值;步骤7,实现对DBR激光器功率和波长的精准建模。
图2是本发明中采集数据所搭建实验装置的结构示意图。图2中包括DBR激光器(DBR,distributed Bragg reflector,分布式布拉格反射),所述DBR激光器分别连接温度控制端和电流控制端,所述DBR激光器依次通过隔离器和半波片连接偏振分光棱镜的入射侧,所述偏振分光棱镜的透射侧连接功率计,所述偏振分光棱镜的反射侧连接波长计。
具体实施方式
下面结合附图(图1-图2)和实施例对本发明进行说明。
图1是实施本发明基于高斯回归过程的DBR激光功率和波长建模方法的流程示意图。图2是本发明中采集数据所搭建实验装置的结构示意图。参考图1至图2所示,基于高斯回归过程算法对DBR激光的输出功率和波长进行精确描述和预测。针对DBR激光开展物理机理研究,分别对功率、电流和温度之间的关系以及波长、电流和温度之间的关系进行分析,根据物理机理设计两种高斯回归过程组合核函数,搭建实验装置获取并处理数据,选取学习样本和测试样本,通过训练学习样本,对模型参数进行优化,将测试样本应用到优化后的模型中,输出功率和波长的预测值。
如图1所示,基于高斯回归过程的DBR激光功率和波长建模方法,具体包括以下步骤:
步骤1,对半导体DBR激光开展出光物理机理研究,分别对输出功率、电流和温度之间的关系以及输出波长、电流和温度之间的关系进行分析,作为后续算法设计的基础;
步骤2,根据激光物理机理的研究结果,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本;
步骤3,基于激光物理机理研究,分别设计针对功率和波长的组合核函数;
步骤4,基于设计好的组合核函数,设置其中超参数的初始值,确定先验模型;
步骤5,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型;
步骤6,将测试样本应用到优化后的模型中,输出功率和波长的预测值,最终实现对DBR激光功率和波长的精准建模。
步骤1中,对半导体DBR激光开展出光物理机理研究,输出功率、电流和温度之间的关系分析如下:对DBR半导体激光来说,驱动电流直接影响输出功率,,而温度通过影响阈值电流和为微分量子效率来改变输出功率。在驱动电流在阈值电流之上时,半导体激光产生受激辐射从而正常出光。根据载流子速率方程理论,在阈值电流以上时,输出功率P与电流I的关系可以由下式表示:
其中,ηd为外微分量子效率,定义为激光的输出光子数随着注入电子增加的比率,h是普朗克常数,ν是激光频率,q为单位电荷量,Ith表示阈值电流。
同时,温度T对激光的阈值电流Ith和外微分量子效率ηd的影响分别如下式表示:
Ith=I0exp(T/T0)
ηd=η0exp(-T/T1)
其中,I0表示T=0K时候的阈值电流,T0代表特征温度,表征了阈值电流对温度的敏感程度,η0表示T=0K时候的外微分量子效率,T1代表特征温度,表征了阈值电流以及外微分量子效率对温度的敏感程度。
显然,在注入电流保持恒定的前提下,阈值电流与外微分量子效率随着温度的变化而呈现指数型变化。综上所示,在阈值电流以上时,被广泛接受的功率P和电流I、温度T的关系如下式:
然而,此经典公式具有很大的局限性,要确定具体关系式需要经验和先验知识获取的参数,为相关经验不足的科研人员使用带来了不便。
步骤1中,对半导体DBR激光开展出光物理机理研究,输出波长、电流和温度之间的关系分析如下:
半导体激光输出波长随电流的变化而变化。当注入电流发生改变时,能带中载流子浓度相应的发生改变,载流子浓度随电流增大而增加,使得导带中电子的填充比率就越高,从而使得增益曲线向更高光子能量处移动,介质增益增大,同时载流子的浓度变化将引起有源区折射率的变化,该二者作用,使半导体激光输出波长发生变化。随着注入电流的增大,半导体激光输出波长向长波长方向移动,即产生所谓的“红移”,一般,注入电流每增加1mA,波长将向长波长区移动约0.01nm。此外,电流的增加还将导致半导体激光温度的升高,该温升也将对波长的变化造成一定的影响。半导体材料的禁带宽度会显著地受到温度的影响,禁带宽度Eg与温度T之间的关系存在一个经典公式为:
Eg=Eg(0)-Shν[coth(hν)/2kT-1]
其中,Eg(0)对应于T=0K时的禁带宽度,S是无量纲的耦合常数,coth()代表双曲余切函数,k是波尔兹曼常数。另一方面,温度也会改变半导体材料的折射率,通常情况下折射率随温度上升而增大。目前缺乏一个通用的激光器波长的量化模型。
步骤2具体为:基于物理机理分析,不难发现,输出的功率和波长主要受到电流和温度两个输出量影响,可将问题简化为分别求解电流、温度和功率的数值关系以及电流、温度和波长的数值关系:
P~f1(I,T)
λ~f2(I,T)
其中,P为输出功率,λ为输出波长,I为输入电流,T为输入温度,f1表示要求解的电流、温度和功率的数值关系,f2表示要求解的电流、温度和波长的数值关系。
搭建实验装置采集输出功率和波长以及相对应的电流和温度值。在数据采集期间,首先通过保持温度恒定,调整电流,分别测量功率和波长值。而后保持电流恒定,调节温度,分别对这两个过程重复三次,将测量结果按3σ原理进行滤波,使用5折交叉验证法来处理数据集从而产生学习样本和测试样本。
步骤3具体内容为:
高斯回归过程的性质由核函数决定,在建模过程中关键环节就是确定核函数,需要针对输出功率和波长分别设计相应的核函数。首先对功率进行设计。通过物理机理可以看出,温度和电流对功率的影响主要呈现指数和多项式的趋势。所以根据这两种影响分别设计相应的单协方差核函数。针对指数趋势,设计相应的核函数k1为:
其中,xi和xj代表学习样本或者测试样本中的某个随机变量组合。σ1和l1是待优化的超参数,σ1表示输出规模参数,l1表示长度尺度参数。
对于多项式趋势,相应的核函数k2被设计为:
其中,σ2、c和d是待优化的超参数,σ2表示输出规模参数,c表示常数参数,d表示指数参数,代表xi的转置。
高斯回归过程的核函数必须是正的和半无限的,这意味着单核函数的组合大多是加法或简单的乘法。考虑到DBR激光的电流和温度有很强的相关性,将上述两个单核函数相乘,生成一个新的组合核函数,以反映输入量的相互影响。功率组合核函数kp设计如下:
从理论上讲,使用这种修改后的内核可以更准确地描述DBR激光的功率。
步骤3中,针对波长设计组合核函数的具体内容为:
对于输出波长,目前还没有明确的定量公式。根据通常的经验,不难发现,DBR激光的波长在特定范围内随着电流和温度的变化呈线性趋势。考虑到由于模式跳变,会有局部的非线性趋势,对波长组合核函数kw设计如下:
其中σ3、σ4、l3和p是待优化的超参数,σ3和σ4表示输出规模参数,l3表示长度尺度参数,p表示周期性参数。将线性核函数和周期性核函数加在一起,得到这个新的组合核函数,它有整体的线性趋势,并能描述局部的非线性变化。
步骤5的具体内容为:
通过采用极大似然法对模型参数进行优化,从而获得最优超参数,确定后验模型。在极大似然框架下,需要通过不断调整超参数来使学习样本的对数似然函数取得最大,获取最优超参数。
基于上述技术方案,本发明的有益效果包括:本发明提供基于高斯回归过程的DBR激光功率和波长建模方法,针对DBR激光开展物理机理研究,分别对功率、电流和温度之间的关系以及波长、电流和温度之间的关系进行分析,根据物理机理设计两种高斯回归过程组合核函数,搭建实验装置获取并处理数据,选取学习样本和测试样本,通过训练学习样本,对模型参数进行优化,将测试样本应用到优化后的模型中,输出功率和波长的预测值,最终实现对DBR激光的功率和波长的快速精准建模,提升DBR激光功率和波长控制的效率和精度。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。在此指明,以上叙述有助于本领域技术人员理解本发明创造,但并非限制本发明创造的保护范围。任何没有脱离本发明创造实质内容的对以上叙述的等同替换、修饰改进和/或删繁从简而进行的实施,均落入本发明创造的保护范围。
Claims (10)
1.基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,包括基于高斯回归过程算法对DBR激光的输出功率和波长进行精确描述和预测;针对DBR激光开展物理机理研究,对功率P、电流I和温度T之间的关系进行分析和/或对波长λ、电流I和温度T之间的关系进行分析,搭建实验装置获取数据,并对获取的数据进行处理,选取学习样本和测试样本,根据物理分析结果设计出功率组合核函数kp(xi,xj)和/或波长组合核函数kw(xi,xj),xi和xj均代表学习样本或者测试样本中的变量,i和j均为变量序号数;设置超参数初始值,确定先验模型,训练学习样本对模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型,将测试样本应用到优化后的模型中,输出功率和波长的预测值。
2.根据权利要求1所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,
其中σ1~σ2是第一至第二输出规模参数,l1表示第一长度尺度参数,c表示常数参数,d表示指数参数,代表xi的转置,σ1~σ2、l1、c、和d均属于待优化超参数;
其中σ3~σ4是第三至第四输出规模参数,l3表示第三长度尺度参数,p表示周期性参数,σ3、σ4、l3和p均属于待优化超参数。
3.根据权利要求1所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,包括以下步骤:
步骤1,开展半导体DBR激光器机理研究,分别对输出功率、电流和温度之间的关系以及输出波长、电流和温度之间的关系进行分析,作为后续算法设计的基础;
步骤2,根据激光器机理研究结果,搭建实验装置获取数据,并对其进行处理,选取合适的学习样本和测试样本;
步骤3,基于激光器机理研究,分别设计针对功率和波长的组合核函数;
步骤4,基于设计好的组合核函数,设置其中超参数的初始值,确定先验模型;
步骤5,训练学习样本对先验模型参数进行优化,采用极大似然法获取最优化超参数,确定后验模型;
步骤6,将测试样本应用到优化后的后验模型中,输出功率和波长的预测值,最终实现对DBR激光功率和波长的精准建模。
4.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤1中包括对输出功率、电流和温度之间的关系分析如下:对DBR半导体激光来说,驱动电流直接影响输出功率,而温度通过影响阈值电流和为微分量子效率来改变输出功率;在驱动电流在阈值电流之上时,半导体激光产生受激辐射从而正常出光;根据载流子速率方程理论,在阈值电流以上时,输出功率P与电流I的关系可以由下式表示:
其中,ηd为外微分量子效率,定义为激光的输出光子数随着注入电子增加的比率,h是普朗克常数,v是激光频率,q为单位电荷量,Ith表示阈值电流;
温度T对激光的阈值电流Ith和外微分量子效率ηd的影响分别如下式表示:
Ith=I0exp(T/T0)
ηd=η0exp(-T/T1)
其中,I0表示T=0K时候的阈值电流,T0代表特征温度,表征了阈值电流对温度的敏感程度,η0表示T=0K时候的外微分量子效率,T1代表特征温度,表征了阈值电流以及外微分量子效率对温度的敏感程度;
在注入电流保持恒定的前提下,阈值电流与外微分量子效率随着温度的变化而呈现指数型变化;综上所示,在阈值电流以上时,功率P和电流I、温度T的关系如下式:
5.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤1中包括对输出波长、电流和温度之间的关系分析如下:半导体激光输出波长随电流的变化而变化;当注入电流发生改变时,能带中载流子浓度相应的发生改变,载流子浓度随电流增大而增加,使得导带中电子的填充比率就越高,从而使得增益曲线向更高光子能量处移动,介质增益增大,同时载流子的浓度变化将引起有源区折射率的变化,该二者作用,使半导体激光输出波长发生变化;随着注入电流的增大,半导体激光输出波长向长波长方向移动,即产生所谓的“红移”,一般注入电流每增加1mA,波长将向长波长区移动约0.01nm。此外,电流的增加还将导致半导体激光温度的升高,该温升也将对波长的变化造成一定的影响;半导体材料的禁带宽度会显著地受到温度的影响,禁带宽度Eg与温度T之间的关系存在一个经典公式为:
Eg=Eg(0)-Shv[coth(hv)/2kT-1]
其中,Eg(0)对应于T=0K时的禁带宽度,S是无量纲的耦合常数,coth()代表双曲余切函数,k是波尔兹曼常数,另一方面,温度也会改变半导体材料的折射率,通常情况下折射率随温度上升而增大。
6.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤2中的实验装置包括DBR激光器,所述DBR激光器分别连接温度控制端和电流控制端,所述DBR激光器依次通过隔离器和半波片连接偏振分光棱镜的入射侧,所述偏振分光棱镜的透射侧连接功率计,所述偏振分光棱镜的反射侧连接波长计。
7.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤2中包括分别求解电流、温度和功率的数值关系以及电流、温度和波长的数值关系:
P~f1(U,T)
λ~f2(I,T)
其中,P为输出功率,λ为输出波长,I为输入电流,T为输入温度,f1表示要求解的电流、温度和功率的数值关系,f2表示要求解的电流、温度和波长的数值关系;
搭建实验装置采集输出功率和波长以及相对应的电流和温度值;在数据采集期间,首先通过保持温度恒定,调整电流,分别测量功率和波长值;而后保持电流恒定,调节温度,分别对这两个过程重复三次,将测量结果按3σ原理进行滤波,使用5折交叉验证法来处理数据集从而产生学习样本和测试样本。
8.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤3中包括:高斯回归过程的性质由核函数决定,在建模过程中关键环节就是确定核函数,需要针对输出功率和波长分别设计相应的核函数;首先对功率进行设计;通过物理机理可以看出,温度和电流对功率的影响主要呈现指数和多项式的趋势;所以根据这两种影响趋势分别设计相应的单协方差核函数;针对指数趋势,设计相应的核函数k1为:
其中,xi和xj代表学习样本或者测试样本中的某个随机变量组合,σ1和l1是待优化的超参数,σ1表示输出规模参数,l1表示长度尺度参数;
对于多项式趋势,相应的核函数k2被设计为:
其中,σ2、c和d是待优化的超参数,σ2表示输出规模参数,c表示常数参数,d表示指数参数,代表xi的转置;
高斯回归过程的核函数必须是正的和半无限的,这意味着单核函数的组合大多是加法或简单的乘法;考虑到DBR激光的电流和温度有很强的相关性,将上述两个单核函数相乘,生成一个新的组合核函数,以反映输入量的相互影响;功率组合核函数kp设计如下:
9.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤3中对波长设计组合核函数包括:根据通常的经验,DBR激光的波长在特定范围内随着电流和温度的变化呈线性趋势;考虑到由于模式跳变,会有局部的非线性趋势,对波长组合核函数kw设计如下:
其中σ3、σ4、l3和p是待优化的超参数,σ3和σ4表示输出规模参数,l3表示长度尺度参数,p表示周期性参数。将线性核函数和周期性核函数加在一起,得到这个新的组合核函数,它有整体的线性趋势,并能描述局部的非线性变化。
10.根据权利要求3所述的基于高斯回归过程的DBR激光功率和波长建模方法,其特征在于,所述步骤5中包括:通过采用极大似然法对模型参数进行优化,从而获得最优超参数,确定后验模型;在极大似然框架下,需要通过不断调整超参数来使学习样本的对数似然函数取得最大,获取最优超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975763.7A CN117010189A (zh) | 2023-08-03 | 2023-08-03 | 基于高斯回归过程的dbr激光功率和波长建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975763.7A CN117010189A (zh) | 2023-08-03 | 2023-08-03 | 基于高斯回归过程的dbr激光功率和波长建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010189A true CN117010189A (zh) | 2023-11-07 |
Family
ID=88566828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975763.7A Pending CN117010189A (zh) | 2023-08-03 | 2023-08-03 | 基于高斯回归过程的dbr激光功率和波长建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010189A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424065A (zh) * | 2023-12-19 | 2024-01-19 | 苏州海伯利安机器人科技有限公司 | 一种激光器的io控制系统、方法、设备和存储介质 |
CN117458261A (zh) * | 2023-12-26 | 2024-01-26 | 东莞市湃泊科技有限公司 | 激光器封装系统及其智能散热方法 |
-
2023
- 2023-08-03 CN CN202310975763.7A patent/CN117010189A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424065A (zh) * | 2023-12-19 | 2024-01-19 | 苏州海伯利安机器人科技有限公司 | 一种激光器的io控制系统、方法、设备和存储介质 |
CN117424065B (zh) * | 2023-12-19 | 2024-02-27 | 苏州海伯利安机器人科技有限公司 | 一种激光器的io控制系统、方法、设备和存储介质 |
CN117458261A (zh) * | 2023-12-26 | 2024-01-26 | 东莞市湃泊科技有限公司 | 激光器封装系统及其智能散热方法 |
CN117458261B (zh) * | 2023-12-26 | 2024-04-16 | 东莞市湃泊科技有限公司 | 激光器封装系统及其智能散热方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117010189A (zh) | 基于高斯回归过程的dbr激光功率和波长建模方法 | |
Faraon et al. | Coherent generation of non-classical light on a chip via photon-induced tunnelling and blockade | |
Glancy et al. | Methods for producing optical coherent state superpositions | |
Klyshko | The nonclassical light | |
Simon et al. | Interfacing collective atomic excitations and single photons | |
Whiting et al. | Four-wave mixing in a non-degenerate four-level diamond configuration in the hyperfine Paschen–Back regime | |
Cezard et al. | Supercontinuum laser absorption spectroscopy in the mid-infrared range for identification and concentration estimation of a multi-component atmospheric gas mixture | |
Peřina Jr et al. | Nonclassicality and entanglement criteria for bipartite optical fields characterized by quadratic detectors | |
Harder et al. | Time-multiplexed measurements of nonclassical light at telecom wavelengths | |
Naus et al. | Quantitative analysis of decay transients applied to a multimode pulsed cavity ringdown experiment | |
Tian et al. | Near-infrared methane sensor with neural network filtering | |
Laiho et al. | Measuring higher-order photon correlations of faint quantum light: a short review | |
Goldwin et al. | Fast cavity-enhanced atom detection with low noise and high fidelity | |
Amelio et al. | Bogoliubov theory of the laser linewidth and application to polariton condensates | |
CN110501092A (zh) | 一种布里渊光纤传感系统温度提取方法 | |
Xie et al. | Anderson localization of one-dimensional hybrid particles | |
Narlagiri et al. | Simultaneous quantification of Au and Ag composition from Au–Ag bi-metallic LIBS spectra combined with shallow neural network model for multi-output regression | |
Tsukanov et al. | Quantum calculations on quantum dots in semiconductor microcavities. Part II | |
Wang et al. | Pressure calibration-and profile fitting-free spectroscopy technology based on deep neural network for gas sensing | |
Quan et al. | Genetic algorithm for accurate modeling of distributed Bragg reflector laser power and wavelength | |
Biele et al. | Maximizing precision in saturation-limited absorption measurements | |
Manassah | Quantum electrodynamics of two-level atoms in 1D configurations | |
Leontyev et al. | Direct Measurement of the Correlation Function of Optical–Terahertz Biphotons | |
Dobroc et al. | Performance assessment and signal processing for range-integrated concentration measurement of gas species using supercontinuum absorption spectroscopy | |
Ma et al. | Pulse convergence analysis and pulse information calculation of NOLM fiber mode-locked lasers based on machine learning method |
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 |