量子科技中心_量科网

非线性薛定谔方程（NLSE）是描述从光纤到玻色-爱因斯坦凝聚态等多种非线性介质中波动力学的基础模型。如何通过单次测量精确估算其高度关联的参数仍是重大挑战。该研究团队将参数估计视为逆问题，通过训练神经网络来反转NLSE映射关系，提出创新解决方案。该方法将快速数值求解器与基于ConvNeXt架构的机器学习模型相结合，采用多元高斯负对数似然损失函数，可从单次获取的场（密度和相位）图像中精确估算三个关键参数：非线性系数n₂、饱和强度I_sat以及线性吸收系数α。在10万张模拟图像上训练后，该模型在12,500个未见测试样本上实现了3.22%的平均绝对误差，展现出优异的泛化能力且与真实值高度吻合。该工作为非线性系统表征提供了高效途径，在引入实际噪声的情况下，有望成为理论建模与实验数据之间的重要桥梁。