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
: ?7 |% S. J4 L9 k4 _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]。
& K! R) W; o* Q1 I

cqgk4bifvdz64032395100.png

系统参数和数据集生成
' w6 l, z, E1 g, mMB-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。
# }4 B+ {: ~. D! B4 O. U
+ S7 \- M- x2 L& t) s# U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
! Q# _" A9 M% {  y2 e[/ol]
( K0 o7 h2 C% _$ [# H' ?& N- l! i特征选择和模型架构
对于功率估算，考虑以下关键特征：

5c1z04xsh3x64032395200.png

, ^; ], ~' x$ Y3 O1 O* E7 H6 R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。

8 O4 T& v* x) s2 T4 v对于GSNR估算，还需考虑额外特征：

14kbaby4si464032395300.png

) Z( {7 E5 j7 h! _$ N1 O% fGSNR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。
1 g8 H0 X  {$ |0 v( Z+ V; A
. F/ U: J6 l. M& p4 z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
6 r( u, z; t! D0 H/ y

x1tdbrunxbd64032395401.png

, V' d$ Y: m: V2 h: L8 p5 a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。
% ^$ r0 D+ X: G5 m( C, S
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。
8 l. \8 |) z8 s6 k, T
/ F# f6 L* E% L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：

aaeiskadl1g64032395501.png

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。
6 N7 b! B% H, V6 o) _$ c* X( X# N1 E
$ J3 v6 J4 s; G* G技术规格和模型参数
系统实现使用以下具体参数：
% S4 Q* s7 F6 S3 t0 i3 S: R; J

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

2 t" f, c/ f5 L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。
- Z7 G: ?& @8 U1 @  r& c! t6 n
结论
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
+ {' x4 |8 [0 h, R5 x) C
) O( O& _/ G4 E2 Y! {/ V" g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。
2 \9 l% p% q0 u' S0 J
- m- v4 k* [) q3 H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
0 D/ B0 v6 ^6 p" M: h

" ^9 L( h; t, Q& G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。
' a4 F5 t6 t/ S5 Y$ S. v点击左下角"阅读原文"马上申请
# d8 m" X0 ]) d  o- R7 g7 \1 n
" v% a' B2 g$ K1 e( v: B1 D欢迎转载
' `9 R3 J1 e7 m# @
0 R4 k3 w/ E$ l4 ^' \, A转载请注明出处，请勿修改内容和删除作者信息！
( T' n( N7 {3 H1 s/ b' j
# w8 e6 N4 V5 V+ t+ B' M" C7 G

- l( ]& M" G. X" u* P

dxm3rsdam3164032395601.gif

  R( I) U! _! j1 ~3 ?/ f# ~$ C
关注我们

- Z" e, L& c5 S; E5 G2 B: o

5 N% u8 [, w8 x& z& M lcszqdjhlbf64032395701.png

zkyjvuci4kh64032395801.png

dx5dfzlrnzb64032395901.png 6 S$ l% m; {8 O* q( Y, r, z

                     

' I. ?% E  r& I" G
. }! _% \8 V; l
! _" w0 c+ ?6 h关于我们：
+ I" f9 O* W* m& H3 n! l5 F& ]9 B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。
& w- w, Q1 I# P
) g* s8 G) x9 M5 xhttp://www.latitudeda.com/
0 V5 [  ^& M* U  a" a3 Y, I（点击上方名片关注我们，发现更多精彩内容）