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
8 S) X) X3 d* E" P  t/ N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]。
3 U1 W8 B% n+ S& f7 S' Q5 Y

cqgk4bifvdz64032395100.png

, T- m# C7 o$ P
/ v# n8 C" q7 j# p# x. x0 P/ U* ?系统参数和数据集生成
8 S: B" S8 F9 K) ]8 A1 VMB-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。
/ j. o; R& O7 G
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
[/ol]
特征选择和模型架构
- W5 }- U: k# x* i4 z对于功率估算，考虑以下关键特征：

5c1z04xsh3x64032395200.png

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。
3 _% w( f+ @% ~1 _$ Q! |
对于GSNR估算，还需考虑额外特征：

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。
0 g: r: _* I! y8 Q/ v
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
- R3 ^! \7 P6 P: K3 ^; I( ]- k1 p[/ol]
结果和性能分析
8 y4 o4 a8 Z, T* y1 N  G" n3 N

x1tdbrunxbd64032395401.png

" H3 E- n2 q# C4 B- |* [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。

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。

功率优化实现
在功率优化场景中，机器学习模型显示出优异结果：
* F1 M( L! x2 e

aaeiskadl1g64032395501.png

$ Q+ j, U% k' L. D) O) q
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。
0 t/ e% @  T# l& t, f
技术规格和模型参数
. `0 N6 v  P+ Y8 m系统实现使用以下具体参数：
1 h8 S6 M5 d% ?/ A# F! p

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

) ~: P) _/ E2 G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。

0 g/ K8 ^2 F: z& h/ b9 u! U结论
机器学习模型的超参数经过精心调整：
9 `/ d: @3 _7 v/ w& d

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
5 v4 _9 q4 ^& n1 r& H2 N
; \0 F" Y# v% }( y2 g+ G. s2 m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。
- [: V2 X7 D3 f7 c
6 C7 O* v7 H) s+ n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.
# f) B- V5 Q$ d5 T5 O( K
: h/ }$ K, y% aEND
* t( H0 Y9 b* G7 _  U; i5 _

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。
点击左下角"阅读原文"马上申请
7 X9 ]5 n$ a' z1 \
欢迎转载

转载请注明出处，请勿修改内容和删除作者信息！
. z. E1 `( l, E9 ~

, @3 s5 W9 c; ~1 B4 O1 F

dxm3rsdam3164032395601.gif

7 j2 B- I2 {8 `
关注我们
( ]' o2 ]) d: J' E" b, B

lcszqdjhlbf64032395701.png 1 M! ]) f# }# G/ Q

zkyjvuci4kh64032395801.png 6 ]9 d8 Q( c; X( M6 @) F

% D- X# F' l3 [8 z) g, ~7 n dx5dfzlrnzb64032395901.png

                     
% L+ C2 V5 h/ U: x0 I- p9 B/ \
9 u# d6 I; m3 X! z' i) \
0 J6 M( b+ G- T8 D
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。
( }# Z+ R0 |; H7 Y
( q- U+ B1 Z/ r; X$ U1 Phttp://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）