Numerical optimization of the fiber Bragg gratings with fabrication constraints
Notice bibliographique
Résumé
We propose the iterative layer-peeling algorithm (LPA) and the genetic algorithm (GA) to numerically optimize the fiber Bragg grating (FBG) design. Fabrication constraints are introduced in the design, such that the designed FBGs satisfy the spectral specifications and are easy to fabricate. The powerful numerical optimization permits removing the phase shifts in the FBGs, so that the gratings can be fabricated with conventional high quality holographic phase masks, without need for custom made phase masks. We introduce the inverse LPA, which is faster than the conventional transfer matrix method by two orders of magnitude for analysis of the FBGs. The synthesis of the FBG using the LPA and the analysis of the FBG using the inverse LPA can be iterated in a loop, which allows applying the constraints in both grating and spectrum spaces. The impact of the applied constraints and the convergence are analyzed. The GA is powerful for achieving the global optimum with a higher probability than that of the iterative algorithm and simulated annealing. Our GA is enhanced by a new Fourier series-based real-valued encoding to provide high degrees of freedom, and a rank-based fitness function. The new GA enables us to remove phase shifts in the gratings. All the designed WDM band-pass gratings with minimum dispersion are fabricated using the holographic phase mask without phase shifts. The experimental gratings with dispersion of ± 33 ps/nm in the 0.33 nm flat-top passband will be shown.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».