Design optimization of orbital angular momentum fibers using the gray wolf optimizer
Notice bibliographique
Résumé
Optical data communication based on the orbital angular momentum (OAM) of light is a recently proposed method to enhance the transmission capacity of optical fibers. This requires a new type of optical fiber, the main part of the optical communication system, to be designed. Typically, these fibers have a ring-shaped refractive index profile. We aim to find an optimized cross section refractive index profile for an OAM fiber in which the number of supported OAM modes (channels), mode purity, and the effective refractive index separation of OAM modes to other fibers modes are maximized. However, the complexity of the relationship between structural parameters and optical transmission properties of these fibers has resulted in the lack of a comprehensive analytical method to design them. In this paper, we investigate the process of designing OAM fibers and propose a framework to design such fibers by using artificial intelligence optimizers. It is worth mentioning here that this problem is intrinsically a multiobjective optimization problem, and the actual solution for such problems is not unique and leads to a set of optimum solutions. Therefore, at the end of the optimization process, a wide range of optimal designs will be obtained in which a trade-off is established in each of the solutions. We solve this problem with the multiobjective gray wolf optimizer (GWO) and compare the results with that of the single-objective GWO. The framework can easily find many optimal designs that support more than 20 OAM modes. The obtained results show that the proposed method is comprehensive and can optimize the structure of any OAM fibers. No human involvement, simplicity, and being straightforward are the main advantages of the proposed framework.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».