400 Gbit/s 4 模式传输用于 IM/DD OAM 模式分割多重光纤通信与基于几次拍摄学习的 AffinityNet 非线性等分器

科学领域:

• 光学通信是指光学通信.
• 信号处理 信号处理
• 机器学习在通信中的应用

背景情况:

• 高速光纤通信系统,特别是那些使用轨道角动量 (OAM) 模式分割复杂化 (MDM) 的系统,遭受复杂和随机非线性损伤.
• 这些损害源于众多光电子设备,对信号均等和系统性能构成重大挑战.
• 现有的方法,如Volterra等级器,与这些非线性质的高度复杂性和随机性质作斗争.

研究的目的:

• 为OAM-MDM强度调制直接检测 (IM/DD) 系统提出和评估基于AffinityNet的非线性等效器.
• 为了证明AffinityNet在使用少数射击学习来补偿随机非线性损伤方面的有效性.
• 将AffinityNet的性能和复杂性与传统的Volterra和卷积神经网络 (CNN) 均等器进行比较.

主要方法:

• 开发一种亲和网络 (AffinityNet) 模型,能够从"小样本"标记的数据中学习,以预测非线性.
• 实现AffinityNet作为400 Gbit/s OAM-MDM系统中的非线性等分器,具有四种OAM模式和PAM-8信号.
• 在2公里的环芯光纤 (RCF) 上进行实验验证,并与Volterra和CNN等分器在15%的前置错误校正 (FEC) 值进行比较.

主要成果:

• 与Volterra等效器 (1.7-3.3 dB增益) 和CNN等效器 (0.5-1.4 dB增益) 相比,AffinityNet在四种OAM模式中显著提高了接收器的灵敏度.
• 均衡器证明了对随机非线性进行有效的补偿,尽管训练和测试信号之间的差异存在,但仍然保持了高度的概括性.
• 与Volterra相比,AffinityNet实现了大幅度的复杂性降低:37%,与CNN等级器相比,达到83%.

结论:

• 拟议的AffinityNet非线性均衡器有效地弥补了高速OAM-MDM系统中的随机非线性损害.
• 与现有方法相比,AffinityNet在接收器灵敏度和降低计算复杂度方面提供了卓越的性能.
• AffinityNet是未来高速OAM-MDM光纤通信系统的一个有希望的候选者.