近日，信息工程学院智能感测团队在高能量超快光纤激光器（Mamyshev振荡器）的非线性动力学与智能调控领域取得重要研究进展。相关成果连续发表于国际光学工程与技术领域权威期刊《Optics and Laser Technology》（中科院二区Top，IF=5.1）。郑一博教授、王超然博士、研究生集浦航为论文主要作者，第一单位均为河北地质大学。
高能量超快光纤激光器在精密加工、生物医学成像、激光雷达等领域具有重要应用价值。然而，传统光纤激光器在提升脉冲能量时，极易受到自相位调制等非线性效应的限制，导致脉冲分裂或波形畸变。Mamyshev振荡器（MO）凭借其独特的偏移光谱滤波机制，成为突破这一能量瓶颈的革命性架构。针对MO在实际应用中面临的时空动力学复杂、参数优化计算成本高昂等挑战，研究团队从“物理机制探索”与“人工智能赋能”两个维度展开攻关，取得了一系列创新成果。
在第一篇题为“Tunable dual-filter strategy for high-energy multimode solitons in a thulium-doped Mamyshev oscillator”的论文中，研究团队针对2 μm波段掺铥多模Mamyshev振荡器中复杂的时空混沌问题，提出了一种基于级联相移长周期光纤光栅（CPSLPFGs）的可调谐双滤波策略。研究通过广义多模非线性薛定谔方程（GMMNLSE）系统仿真，首次揭示了稳定单模-多模光纤界面的模式耦合系数是抑制空间混沌、实现稳定时空锁模的关键前提。结合CPSLPFGs的精细光谱调控能力，该方案成功生成了单脉冲能量高达174.24 nJ、脉冲宽度5.94 ps的稳定多模孤子。经外部放大与压缩后，脉冲能量进一步提升至1 μJ，压缩脉宽达170.4 fs，峰值功率高达1.55 MW。该研究为下一代2 μm波段高功率超快光纤激光器提供了清晰的设计框架与理论标杆。
在第二篇题为“Deep learning-based surrogate modeling for high-energy ytterbium-doped Mamyshev oscillators”的论文中，研究团队针对MO复杂非线性动力学带来的巨大数值计算瓶颈，创新性地引入深度学习技术，构建了基于双向长短期记忆（Bi-LSTM）网络的代理模型。该模型以腔参数（泵浦功率、光纤长度、滤波器间距）和初始脉冲状态为输入，能够高保真地预测从噪声到稳定锁模的完整演化过程。研究结果表明，该模型不仅能准确预测不稳定态、稳定单脉冲及多脉冲束缚态等复杂动力学，在预测179 nJ高能量脉冲时与传统数值仿真结果的相对误差仅为约1%。更重要的是，相比传统的分步傅里叶法，该深度学习框架在收敛态下的计算速度实现了超过560倍的加速。该工作有效打破了激光器设计中精度与效率的权衡，为高能量超快激光器的快速原型设计与智能实时控制开辟了新路径。
这两项研究不仅从物理层面阐明了多模Mamyshev振荡器的时空锁模机制，更从技术层面利用人工智能突破了传统数值仿真的效率极限。相关研究得到了国家自然科学基金（12502420）、河北省科技计划项目（25347618D、22371701D）和河北省光电信息与地球探测技术重点实验室的资助。
论文原文链接：
https://doi.org/10.1016/j.optlastec.2026.115547
https://doi.org/10.1016/j.optlastec.2026.11605
