機器學習輔助的下一代光網(wǎng)絡功率和GSNR估算

逍遙設計自動化

引言
多頻帶彈性光網(wǎng)絡(MB-EONs)代表著光通信的新發(fā)展方向，提供了高帶寬和靈活性。這些系統(tǒng)在快速估算傳輸質(zhì)量(QoT)方面面臨挑戰(zhàn)，特別是在處理信道間受激拉曼散射等復雜現(xiàn)象時。本文探討了機器學習如何改進功率和GSNR估算[1]。

. G. |1 r/ ]  j* J0 [! Y' p
' u% D) c. p7 G系統(tǒng)參數(shù)和數(shù)據(jù)集生成
MB-EONs中廣義信噪比(GSNR)分布的估算受多個因素影響，包括鏈路負載狀態(tài)、調(diào)制格式、發(fā)射功率和信道帶寬。傳統(tǒng)分析方法雖然準確，但計算量大，不適合實時網(wǎng)絡管理。機器學習方法在這方面提供了高效解決方案。
1 J; R* T0 q9 e* a
6 E1 I- Y; P: B+ F( D* z該機器學習方法從全面的數(shù)據(jù)集生成開始。訓練數(shù)據(jù)包含多種網(wǎng)絡配置，考慮四個關鍵參數(shù)：

跨段長度：40-100公里（10公里間隔）

發(fā)射功率：-5至5 dBm（0.1 dBm間隔）

負載因子：50-100%（10%間隔）

調(diào)制格式基數(shù)：1-6
- n6 F  |5 W0 X  ~[/ol]
特征選擇和模型架構
對于功率估算，考慮以下關鍵特征：


機器學習輔助功率估算的特征包括跨段長度、信道發(fā)射功率、總發(fā)射功率、信道位置和各種信道活動百分比。
- D% }* V5 X! c$ b
) h: C+ c7 `: o9 B2 }% W. d# X對于GSNR估算，還需考慮額外特征：

/ M8 [" u1 l  }  \: s  IGSNR估算特征包括所有功率估算特征，以及調(diào)制格式信息和跨段末端信道功率。

! J. X( K, R) z% D# o- E研究實現(xiàn)了三種機器學習模型：

梯度提升(GB)

神經(jīng)網(wǎng)絡1(NN1) - 單隱藏層

神經(jīng)網(wǎng)絡2(NN2) - 雙隱藏層
& f) Z$ w0 G' u4 I. m: S" [[/ol]
0 l; [7 V/ m- r5 [3 ~1 e結果和性能分析
% `9 P/ ]; z- f$ z, L! s
圖1：機器學習模型性能對比，顯示(a)功率絕對誤差直方圖，(b)功率絕對誤差累積分布函數(shù)，(c)GSNR絕對誤差直方圖，(d)不同機器學習模型的GSNR絕對誤差累積分布函數(shù)。
& W& L$ v$ u6 t
8 L. G( `3 [2 v7 D結果顯示所有模型都具有顯著的精確度，其中GB模型達到最高精度。在功率估算方面，99%的樣本誤差低于0.04 dB，而GSNR估算誤差在99%的情況下保持在0.1 dB以下。與傳統(tǒng)分析方法相比，這種精度是在大幅減少計算時間的情況下實現(xiàn)的。

! B1 {: q0 F: J' x5 J* t% u  L功率優(yōu)化實現(xiàn)
在功率優(yōu)化場景中，機器學習模型顯示出優(yōu)異結果：


優(yōu)化結果表明，機器學習方法達到與分析方法幾乎相同的最優(yōu)功率水平，同時計算時間減少25-50倍。例如，對于100公里跨段，分析方法需要150.94秒，而最快的機器學習模型(NN1)僅需2.92秒。

! [% ^, O) y* Q  i+ K; u8 I! p/ `技術規(guī)格和模型參數(shù)
  A) L" h# n' a- z; B系統(tǒng)實現(xiàn)使用以下具體參數(shù)：
1 N7 u: {8 b  ^- r# m. x7 ^

符號率：64 GBaud

滾降因子：0.05

帶寬：C+L波段共12 THz

信道間隔：75 GHz

C波段和L波段之間的保護帶寬：400 GHz
' W+ h- s0 E% b
. p3 d' J) d! D* x+ [. P6 d6 n; f" G  I數(shù)據(jù)集生成過程創(chuàng)建了2,500個不同場景，產(chǎn)生400,000個樣本（2,500×160信道）。去除空閑信道后，剩余300,700個活動樣本。數(shù)據(jù)分配為80%用于訓練，20%用于測試，訓練集的20%用于使用5折交叉驗證的驗證。
2 I. N0 f$ b- Z' Q. P  y4 C
結論
% C0 j3 X/ k0 P  X機器學習模型的超參數(shù)經(jīng)過精心調(diào)整：
' ?, h2 c& C, F  K( S. s% L/ N. n

GB模型：0.1子采樣，0.01學習率，10最大深度，15,000估計器

GSNR的NN1：一個500神經(jīng)元層，使用ReLU激活函數(shù)

GSNR的NN2：兩個500神經(jīng)元層，使用ReLU激活函數(shù)

功率的NN1：一個1000神經(jīng)元層，使用Tanh激活函數(shù)

功率的NN2：兩個500神經(jīng)元層，使用ReLU激活函數(shù)
  l3 j. Z* Y" u8 a' \8 b
機器學習輔助方法在光網(wǎng)絡管理中取得重要進展，提供實時性能且保持高精度。這些模型可以輕松集成到現(xiàn)有網(wǎng)絡管理系統(tǒng)中，為動態(tài)網(wǎng)絡優(yōu)化和管理提供快速的QoT估算。
! n" Z2 t7 k6 j
" K1 a+ [& O) x, p4 p' l3 K參考文獻
; y" [) l) q1 ]' a9 A8 f9 w6 T[1] K. Ghodsifar, F. Arpanaei, H. Beyranvand, M. Ranjbar Zefreh, C. Natalino, P. Monti, S. Yan, ó. González de Dios, J. M. Rivas-Moscoso, J. P. Fernández-Palacios, A. Sánchez-Macián, D. Larrabeiti, and J. A. Hernández, "ML-Assisted Optimal Power and GSNR Estimation in Multi-band Elastic Optical Networks," in 2024 24th International Conference on Transparent Optical Networks (ICTON), 2024, pp. 1-4, doi: 10.1109/ICTON62926.2024.10647400.

7 D5 T6 ~; W5 |% A7 BEND

- s1 E. k! t/ M; ?; N" {
( c  f, ^# D) _& I: E) l: Y" j軟件申請我們歡迎化合物/硅基光電子芯片的研究人員和工程師申請體驗免費版PIC Studio軟件。無論是研究還是商業(yè)應用，PIC Studio都可提升您的工作效能。
3 n8 l  w0 {2 {) \, G點擊左下角"閱讀原文"馬上申請

3 Y) J$ E7 K- k! p  M. f7 d2 H歡迎轉載

轉載請注明出處，請勿修改內(nèi)容和刪除作者信息！
7 d: |6 e" n- e1 j1 h! g# `
* }1 G& L1 }% b

) y2 A1 R5 ^' c! @" }
0 [8 g1 u# W& F( v
2 B6 L$ l1 R# z6 z: m關注我們
0 d! h8 z+ `& i5 n1 \
6 q  P* `1 X+ u& f( O# q; x

2 A+ U: [2 k8 ]) ]' v# _, k

% m0 U4 Y5 \# q7 Q

                     

' g% E% [' }3 V3 D4 v; L& l# Z" |+ j

關于我們：
) g! ^: W6 Y3 B! C" c深圳逍遙科技有限公司（Latitude Design Automation Inc.）是一家專注于半導體芯片設計自動化（EDA）的高科技軟件公司。我們自主開發(fā)特色工藝芯片設計和仿真軟件，提供成熟的設計解決方案如PIC Studio、MEMS Studio和Meta Studio，分別針對光電芯片、微機電系統(tǒng)、超透鏡的設計與仿真。我們提供特色工藝的半導體芯片集成電路版圖、IP和PDK工程服務，廣泛服務于光通訊、光計算、光量子通信和微納光子器件領域的頭部客戶。逍遙科技與國內(nèi)外晶圓代工廠及硅光/MEMS中試線合作，推動特色工藝半導體產(chǎn)業(yè)鏈發(fā)展，致力于為客戶提供前沿技術與服務。

( L% A; [4 a& m/ Ghttp://www.latitudeda.com/
$ b# I# }4 c  b, d, C# K（點擊上方名片關注我們，發(fā)現(xiàn)更多精彩內(nèi)容）