基于机器学习的模分复用光通信系统损伤感知与补偿机制研究

Mode-division-multiplexing is a kind of spatial dimension multiplexing technologies that can significantly increase the capacity and scale of optical communication networks. It can effectively reduce per bit transmission energy consumption and cost. The research of mode-division-multiplexing has much scientific and application significance. After the introduction of mode-division-multiplexing, the complexity of optical communication system is further increased and the physical impairments are more complex and varied. Because of the complexity, the limited compensation effect and the poor self-learning ability, traditional impairment awareness and compensation mechanisms face great challenges and upgrade. On the other hand, with the development of artificial intelligence, machine learning once again attract great attention with its ability of highly adaptive and intelligent learning. Based on the research of the last Youth Program of NSFC, we focus on the research of machine learning technology applied to mode-division-multiplexing optical communication system and study the mechanism of system impairment awareness and compensation utilizing machine learning. The research contents include: complex impairment parameters awareness utilizing artificial neural networks, mode demultiplexing utilizing adaptive neural networks and adaptive compensation and nonlinear decision utilizing machine learning. The research aims to establish mode-division-multiplexing optical communication simulation and experimental platforms utilizing machine learning and provide theoretical and technical support for next generation optical communication networks.

模分复用是一种空间维度的复用技术，可以数量级的提高光通信网络的容量和规模，有效降低每比特传输的能耗和成本，其研究具有重要的科学意义和应用价值。引入模分复用技术后，光通信系统复杂度进一步增加，信号损伤更加复杂多样，传统的损伤感知与补偿机制由于复杂度较高、补偿效果有限、自主学习能力较差等原因，面临极大的挑战和升级需求。另一方面，随着人工智能技术的发展，机器学习以其高度自适应能力、智能学习等特点再度掀起研究热潮。申请人在上一个自然基金青年项目研究的基础上，计划重点探索应用于模式复用光通信系统的机器学习技术，深入开展基于机器学习的模式复用光通信系统损伤感知与补偿机制研究。研究内容包括：基于人工神经网络的复杂损伤参数感知，基于自适应神经网络的模式解复用和基于机器学习的自适应补偿与非线性判决，最终建立基于机器学习的模式复用光通信仿真和实验系统，为下一代光通信网络的发展与应用提供理论与技术支撑。

近年来，随着网络用户的持续增加以及新型网络数据业务的不断出现，网络中的数据流量急剧增长，在可预见的将来网络容量将保持每10年100倍的增长趋势。模分复用是一种空间维度的复用技术，可以数量级的提高光通信网络的容量和规模，有效降低每比特传输的能耗和成本。模分复用技术在提升传输容量的同时，也增加了光通信系统的复杂度。当复用通道数数量级增加时，复用的光信号不仅受到模式内的各种线性和非线性效应损伤的影响，同时也受到模式间的随机耦合效应以及随机耦合、模式色散和非线性的联合作用。传统的损伤感知与补偿机制由于复杂度较高、补偿效果有限、自主学习能力较差等原因，面临极大的挑战和升级需求。另一方面，随着人工智能技术的发展，机器学习以其高度自适应能力、智能学习等特点再度掀起研究热潮。光通信系统可以利用机器学习的智能学习能力，通过自身的学习过程来捕捉信号所遭受的不同损伤特性，进而实现与信号损伤相对应的补偿功能。项目重点探索应用于模式复用光通信系统的机器学习技术，深入开展了基于机器学习的模式复用光通信系统损伤感知与补偿机制研究。经过项目的研究，提出了基于人工神经网络的复杂损伤参数感知，基于自适应神经网络的模式解复用和基于机器学习的自适应补偿与非线性判决方案。具体研究成果包括：基于级联人工神经网络的复杂损伤参数感知，基于机器学习的模式解复用机制，基于机器学习的自适应补偿机制，基于多种机器学习的非线性判决机制，基于机器学习的物理层加密机制，基于正交基展开的激光器相位噪声抑制机制，基于自动编码器的多损伤补偿机制，基于深度学习与LDPC编码的多损伤联合补偿机制，基于机器学习的微波电路优化方案设计等。项目发表论文30篇，申请专利18项，出版学术专著1本。培养博士生5名，硕士生5名。项目研究成果对对我国构建下一代智能光网络具有重要意义，将为下一代光通信网络的发展与应用提供理论与技术支撑。