机器学习辅助的下一代光网络功率和GSNR估算

逍遥设计自动化

引言
多频带弹性光网络(MB-EONs)代表着光通信的新发展方向，提供了高带宽和灵活性。这些系统在快速估算传输质量(QoT)方面面临挑战，特别是在处理信道间受激拉曼散射等复杂现象时。本文探讨了机器学习如何改进功率和GSNR估算[1]。

cqgk4bifvdz64032395100.png

系统参数和数据集生成
2 v! g/ _, `; \" ~) OMB-EONs中广义信噪比(GSNR)分布的估算受多个因素影响，包括链路负载状态、调制格式、发射功率和信道带宽。传统分析方法虽然准确，但计算量大，不适合实时网络管理。机器学习方法在这方面提供了高效解决方案。

' m: b! U5 C" ?该机器学习方法从全面的数据集生成开始。训练数据包含多种网络配置，考虑四个关键参数：

跨段长度：40-100公里（10公里间隔）

发射功率：-5至5 dBm（0.1 dBm间隔）

负载因子：50-100%（10%间隔）

调制格式基数：1-6
1 i2 F: w8 g7 b( ~[/ol]
# j$ i" y& K' |' e! P! W2 @特征选择和模型架构
9 U6 M- L6 O6 @( Y  w对于功率估算，考虑以下关键特征：
, O/ j+ l  d- K

5c1z04xsh3x64032395200.png

* }& Y0 o2 K7 Y: e9 }* \* e+ n
7 B) u( ^2 M* y7 X+ Y" L机器学习辅助功率估算的特征包括跨段长度、信道发射功率、总发射功率、信道位置和各种信道活动百分比。
" H, m! t& Y3 ^- S
& p) r2 S" s$ ~" t2 z2 ?对于GSNR估算，还需考虑额外特征：
: _+ C0 ^: p2 g3 n8 y1 W' Y

14kbaby4si464032395300.png

GSNR估算特征包括所有功率估算特征，以及调制格式信息和跨段末端信道功率。
' w' ]# ~1 R* |" T4 n: \3 ~
! F& ^( ]- G7 Y  I# c; u/ P研究实现了三种机器学习模型：

梯度提升(GB)

神经网络1(NN1) - 单隐藏层

神经网络2(NN2) - 双隐藏层
[/ol]
结果和性能分析

x1tdbrunxbd64032395401.png

图1：机器学习模型性能对比，显示(a)功率绝对误差直方图，(b)功率绝对误差累积分布函数，(c)GSNR绝对误差直方图，(d)不同机器学习模型的GSNR绝对误差累积分布函数。

' k! @) h8 p/ y* e7 A3 D- v$ ^: i结果显示所有模型都具有显著的精确度，其中GB模型达到最高精度。在功率估算方面，99%的样本误差低于0.04 dB，而GSNR估算误差在99%的情况下保持在0.1 dB以下。与传统分析方法相比，这种精度是在大幅减少计算时间的情况下实现的。
5 P) u4 `( Y2 n  k1 l* R6 M
功率优化实现
6 i9 p" d! g8 \1 w2 v在功率优化场景中，机器学习模型显示出优异结果：
- D- X/ I1 v4 f5 M( z1 }& m7 m! A- C: i

aaeiskadl1g64032395501.png

! V. W$ a0 N! F2 M$ C% ]
; a( X/ P" M. n9 p, y$ [5 s& L$ o优化结果表明，机器学习方法达到与分析方法几乎相同的最优功率水平，同时计算时间减少25-50倍。例如，对于100公里跨段，分析方法需要150.94秒，而最快的机器学习模型(NN1)仅需2.92秒。
* [- Z  V  k% i3 W
7 j3 x* q  Y9 @* ~技术规格和模型参数
系统实现使用以下具体参数：

符号率：64 GBaud

滚降因子：0.05

带宽：C+L波段共12 THz

信道间隔：75 GHz

C波段和L波段之间的保护带宽：400 GHz
3 o8 h- h* a. [$ _" S
数据集生成过程创建了2,500个不同场景，产生400,000个样本（2,500×160信道）。去除空闲信道后，剩余300,700个活动样本。数据分配为80%用于训练，20%用于测试，训练集的20%用于使用5折交叉验证的验证。

% T3 i. H1 ]" q, I" z9 A结论
0 m% D! m9 \! D7 W8 f机器学习模型的超参数经过精心调整：

GB模型：0.1子采样，0.01学习率，10最大深度，15,000估计器

GSNR的NN1：一个500神经元层，使用ReLU激活函数

GSNR的NN2：两个500神经元层，使用ReLU激活函数

功率的NN1：一个1000神经元层，使用Tanh激活函数

功率的NN2：两个500神经元层，使用ReLU激活函数

机器学习辅助方法在光网络管理中取得重要进展，提供实时性能且保持高精度。这些模型可以轻松集成到现有网络管理系统中，为动态网络优化和管理提供快速的QoT估算。
- e; b  o1 ^% ?. }9 a+ {' _! f4 w
" d# Q0 U# e, \0 P" _/ |1 k: i参考文献
[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.

END


8 i8 u5 X% f. z# R1 A: i3 ^9 Y6 d软件申请我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用，PIC Studio都可提升您的工作效能。
0 B- r% z; W- t' t) r; d5 t1 b点击左下角"阅读原文"马上申请

2 q" c) Z$ H. P; Z欢迎转载
- a% y! L8 {2 f* L5 Z8 b
1 X: n$ P: _7 [& N6 s转载请注明出处，请勿修改内容和删除作者信息！
2 B6 q  y+ ^8 s" Y4 m. f

& M$ k1 z; O! R) [& g$ `+ H; h

dxm3rsdam3164032395601.gif

( S8 `8 `1 A- Q3 ]
$ g5 N/ T( S# D4 n关注我们

4 @4 }# @" E: |+ h$ L

lcszqdjhlbf64032395701.png + r' M  y# @, \6 ]  P$ Q

zkyjvuci4kh64032395801.png ( @& x/ h4 r, ?

dx5dfzlrnzb64032395901.png 6 Y' `( ^( Y7 u

                     
# a5 J" w3 y( g, A% A+ D


! G9 S& o) Q3 ?0 V+ {关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
& S4 D0 ]# i6 O& `" \. Q, J
7 G  I, z2 o( T- l! u* I5 P! qhttp://www.latitudeda.com/
/ x+ I) ?, W* g（点击上方名片关注我们，发现更多精彩内容）