WSS系统：基于LLM模型的目标端口功率矩阵到LCOS相位图的映射

WSS系统：基于LLM模型的目标端口功率矩阵到LCOS相位图的映射摘要波长选择开关（Wavelength Selective Switch, WSS）是可重构光分插复用器（ROADM）的核心元件，在波分复用（WDM）光网络中实现波长级别的信号路由。基于硅基液晶（Liquid Crystal on Silicon, LCOS）的WSS因其灵活栅格、高端口数与稳定性优势，已成为新一代全光网络的关键器件。LCOS通过加载相位图调制入射光的波前相位，将不同波长信道光束偏转至目标输出端口，因此相位图的质量直接决定了WSS系统的衍射效率和隔离度。传统的相位生成方法依赖于Gerchberg-Saxton（GS）迭代算法或闪耀光栅模板，存在收敛慢、初值敏感、难以同时优化多端口功率分布等局限。近年来，深度学习技术的引入为光学逆向设计提供了新范式——通过神经网络学习从目标端口功率矩阵到相位图的非线性映射，实现从“试错式迭代”向“预测性生成”的跃迁。本文基于LLM类模型（以BERT为代表）的Transformer架构，设计并实现了一个将目标端口功率矩阵映射到一维LCOS相位图的WSS系统。系统包括：基于Angular Spectrum Method的正向衍射物理模型、基于物理信息的数据合成与预处理Pipeline、Transformer编码器网络的前向传播机制、复合损失函数设计与训练策略优化、以及完整的性能评估与可视化模块。实验在合成数据集上验证了所提方法的有效性，相位图的重建质量与端到端功率分配精度均达到预期目标。本文提供详尽论述和完整可运行的Python代码。关键词：波长选择开关（WSS）；硅基液晶（LCOS）；