使用Koopman神经算子对相干光纤通信系统进行光纤通道建模

《Journal of Lightwave Technology》：Fiber Channel Modeling for Coherent Optical Fiber Communication Systems Using Koopman Neural Operator

光纤信道建模中基于Koopman神经网络的传输函数学习方法研究。摘要：提出KNO神经网络模型用于学习标准单模光纤（SSMF）的衰减、色散和非线性联合效应，优化输入向量设计及网络参数。实验表明，在28GBaud PDM-16QAM/32QAM/64QAM长距离传输中，KNO模型与SSFM的MSE小于0.0035（1600km），计算效率提升约98%（RMs减少至0.9%）。分隔符：

　　

摘要：

光纤通道建模在光纤通信系统的仿真、设计和性能评估中起着至关重要的作用。本文研究了一种新的深度学习架构——基于Koopman神经算子（KNO）的网络，用于学习标准单模光纤（SSMF）的传输函数，该函数考虑了衰减、色散（CD）和非线性的联合效应。为了在长距离相干光通信系统中实现有效的通道建模，我们修改了损失函数，特别重新设计了用于偏振分复用（PDM）信号的输入向量，并优化了网络参数。该模型的有效性在28 GBaud PDM-16QAM/32QAM/64QAM相干光通信系统中进行了评估，传输距离分别为1600公里、800公里和400公里，使用的是SSMF光纤。结果显示，在发射功率范围为?3 dBm到6 dBm的情况下，基于KNO的模型与分步傅里叶方法（SSFM）之间的归一化均方误差（MSE）低于0.0035。比较KNO与每步0.1公里的SSFM的计算复杂度，KNO每个符号每个极化的实际乘法运算次数仅约为SSFM的0.9%，且在1600公里传输过程中的时间消耗约为0.01秒，而相同硬件和软件条件下的SSFM时间消耗约为9.82秒。该方案还展示了在光发射功率和调制格式变化下的良好泛化能力。

引言

光纤通道建模对于系统仿真、设计和性能评估至关重要[1]。在相干光纤通信系统中，充分利用了振幅、相位、波长和偏振等所有物理维度来提高系统的容量和频谱效率[2]。因此，准确高效地描述和仿真这种多维复用信号在长距离光纤中的传播机制是一项重要且具有挑战性的任务。最著名的方法是非线性薛定谔方程，通常通过分步傅里叶方法（SSFM）进行数值求解[3][4]。然而，这种数值解的准确性在很大程度上依赖于迭代步骤，从而导致极高的计算复杂度[5][6]。为了减轻或避免这种高计算复杂度，人们提出了各种光纤通道建模方法来准确评估信道条件，例如高斯噪声（GN）模型及其近似模型[7][8]。然而，这些方法只能提供信噪比（SNR）评估，而无法描述光纤传输过程中的具体失真[9][10][11]。