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
+ z5 a5 l& V& [0 R' t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]。
& w: a* L' z$ I1 a. _# {0 y6 d

cqgk4bifvdz64032395100.png

1 H9 w% n4 J( A; C系统参数和数据集生成
' D; b9 n6 @2 i& XMB-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。

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
对于功率估算，考虑以下关键特征：
) y  P" r3 [0 e5 B3 B4 ^- r  _

5c1z04xsh3x64032395200.png

5 [' M% N0 N. |7 q$ m
, q/ M5 a( G! P* l5 F5 @- 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。

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。
% Y! q/ A" [: ^3 Y9 G9 g! }
9 o4 y/ D+ E- B. X6 {# @: W# {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
. H( w. y0 x& S3 o0 h3 I' p# z[/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。
. M3 Y% _8 v  G4 f, g" D
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。
6 K% N9 w$ k' B+ ~# G7 O: o, d6 s
! S) f3 {, x- [+ H) r功率优化实现
. W' l$ V) I- w3 o+ l  |* Y( F在功率优化场景中，机器学习模型显示出优异结果：

aaeiskadl1g64032395501.png

. c* c! g; `0 L! s! q0 M" S9 ^) N- m8 A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。

7 R9 O8 ^( m/ w- v/ K2 Q7 T技术规格和模型参数
1 \- v, k" I3 {1 b' [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

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。
2 T  _4 |" U) R
" L' L$ n/ c2 D结论
. I- w" `, w$ i  K. W8 d! M机器学习模型的超参数经过精心调整：
% p; P  M: k0 m/ L" P" V

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
6 f& C7 E3 C0 M# I
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。

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.

. Y- I! w: X4 f+ v' d4 TEND


# _, }$ u7 b) [2 {( I7 _8 `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。
/ r! Q  A' O3 I' @' Z! s4 d/ o( c点击左下角"阅读原文"马上申请
" @/ w; S5 a& i/ o1 ~& K/ h2 h
欢迎转载

转载请注明出处，请勿修改内容和删除作者信息！
) a. a7 r! C/ [8 D. g( v

* ^  D6 I0 c, ~

dxm3rsdam3164032395601.gif

关注我们

% n3 Z3 R& a1 g3 n& _

% f% q1 T! G2 m7 } lcszqdjhlbf64032395701.png

zkyjvuci4kh64032395801.png

0 Q7 J* f* ?9 g, w# ` dx5dfzlrnzb64032395901.png

                     
9 ~% y; b" N2 i
/ b3 [  z! S, [8 t1 y- N0 Z

6 N" K  o! j  e关于我们：
# ]9 j- M( n5 t  w& }- n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。
* h+ C5 ]8 W8 F- ^
1 C) Q) p9 q& P+ ]  ohttp://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）