基于深度学习的光纤通信非线性补偿技术

逍遥设计自动化

引言
光纤通信系统因光纤非线性效应而面临显著挑战，这限制了传输距离和系统性能。随着数据速率提高和采用先进调制格式以满足不断增长的带宽需求，非线性效应变得更加明显。本文概述了基于深度学习的非线性补偿技术，特别关注子载波复用(SCM)系统[1]。
& P; I: N# E" p/ J: q

jfwchbvky5164080196903.png

8 J. \  _7 c& r! W9 z: M4 j系统架构与基本原理
SCM通过符号速率优化来减轻非线性失真，已成为有效的解决方案。在SCM系统中，总带宽被分成多个子载波，每个子载波承载部分数据。这种方法与单载波系统相比，提供了更好的灵活性和非线性容限。
6 |: D9 H/ l- U+ l

tyuqb3npx1o64080197003.png

: S  \+ i4 s) F) D图1：SCM系统框图，展示了发射机和接收机架构，包括子载波生成、复用和各种补偿技术。
+ I0 P( F/ M/ F- B
该系统对每个子载波采用双偏振(DP)信号，使用升余弦脉冲整形数学表达传输信号。子载波间的间距经过精心优化，以防止干扰同时最大化频谱效率。
5 z7 D  D0 H- w* Y. P
$ v+ ]7 K: ]5 X非线性补偿方法
传统数字反向传播(DBP)已被广泛用于非线性补偿，但面临计算复杂度的挑战。在SCM系统中，需要处理两种主要的非线性效应：自身子载波非线性(SSN)和交叉子载波非线性(CSN)。

qgy4h1veb0x64080197103.png

图2：展示(a)SCM-DBP过程中的SSN和CSN补偿阶段，以及(b)提出的SCM-LDBP结构，演示了神经网络架构。

9 U6 k1 y* j- B  {, G$ x1 M$ M8 f4 x深度学习增强解决方案
SCM学习型DBP(SCM-LDBP)方法将传统DBP原理与深度神经网络相结合，实现了性能提升和复杂度降低。主要创新包括并行处理多个神经网络同时处理不同子载波，通过时域滤波用优化的FIR滤波器替代频域运算，以及神经网络在训练过程中进行自适应补偿学习最优滤波器系数。
0 f5 n1 k+ h2 {0 z5 T8 B
" h  h: ?4 T8 v9 l4 v  L' {性能分析
大量仿真证明了SCM-LDBP相比传统方法的有效性。

xwc3ixzeily64080197204.png

图3：不同干扰子载波数量下SCM-DBP的性能比较，在(a)1跨度/步长和(b)20跨度/步长条件下，显示了随干扰子载波增加的Q因子改善。

35iaft0musc64080197304.png

图4：SCM-DBP与SCM-LDBP在不同干扰子载波数量下的性能比较，展示了所提方法的优越性能。

结果表明SCM-LDBP在32波特系统中相比SCM-DBP提高0.3 dB的Q因子，与传统方法相比降低31.7%的复杂度，并且随数据速率提高保持良好的性能扩展性。

复杂度考虑
SCM-LDBP的一个关键优势是降低了计算需求。复杂度降低通过消除FFT/IFFT运算、优化时域滤波和并行处理架构来实现。

zhyv4gno5ei64080197404.png

! Z. q5 V% ^8 f6 l; s  T- ~图5：32波特系统中SCM-DBP和SCM-LDBP在不同干扰子载波数量下的复杂度比较，显示计算需求显著降低。

mij2owy0jwi64080197504.png

" H4 ]4 D+ F+ O图6：120波特系统的复杂度比较，展示在更高数据速率下保持效率优势。
2 `0 G# x+ ~6 K& I4 c* X
高速应用
- k% ]) X+ @# s: e" U7 ?1 NSCM-LDBP的优势延伸到120波特的高速传输系统。
4 {2 T" E5 k; l0 W7 [1 L4 c

xe24nds4at264080197604.png

, z7 I( Z% {  O$ D" {; @图7：120波特SCM系统的性能结果，显示(a)不同干扰子载波的SCM-DBP结果和(b)SCM-DBP与SCM-LDBP方法的比较。

6 u; l" R; L4 G. u8 B1 V性能-复杂度权衡
2 l8 m. H# ?. c5 w9 l9 ^: `3 v5 b理解性能提升和计算需求之间的平衡对实际实施很重要。
. j4 ^/ K0 M' D1 |* ~* Z8 ^" v1 N

uqlbaqxyxgt64080197704.png

" |- Y! b6 h5 g& s8 n2 p图8：32波特系统在不同跨度每步长下的性能与复杂度分析，说明最优工作点。
$ ~7 d9 m4 H* k: l0 b) g

bod30qsww2y64080197804.png

! d. ], a3 }4 {, T6 e* C8 M( R图9：120波特系统的性能-复杂度权衡分析，显示在更高数据速率下保持优势。

! }9 Y2 S3 y; G, N实施考虑因素
成功部署SCM-LDBP需要注意训练要求，包括128帧每帧4098个符号，优化批次大小为32，使用学习率0.001的Adam优化器。在滤波器设计方面，需要优化CDC FIR滤波器长度，实现7抽头CSN-LPF，并平衡复杂度与性能。系统参数方面需要谨慎选择子载波数量，优化发射功率，同时考虑传输距离。该技术在城域网络、长距离传输系统和高容量数据中心显示出特别好的效果。

' S$ D. K) B, E2 O) Q) v& F0 @  w未来发展方向
研究方向涵盖与现有SCM部署的集成、扩展到更高阶调制格式、在波分复用系统中的应用、硬件高效实现和实时处理能力等领域。

本文展示了SCM-LDBP为光纤通信中的非线性补偿提供了有效解决方案。该方法成功将深度学习与传统信号处理技术的优势相结合，在降低复杂度的同时实现了更好的性能。随着数据速率持续提高和网络架构发展，这种高效的补偿技术将对下一代光通信系统变得更加重要。

$ T5 q  @4 f# j参考文献
[1] W. S. Saif, S. K. O. Soman and O. A. Dobre, "Deep Learning-Assisted Nonlinearity Compensation in Subcarrier-Multiplexing Coherent Optical Systems," Journal of Lightwave Technology, vol. 42, no. 23, pp. 8162-8172, Dec. 1, 2024, doi: 10.1109/JLT.2024.3427121.

END
$ t- Z3 a8 B+ U% J/ J  M

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。
1 C) ]6 a" h1 m点击左下角"阅读原文"马上申请
  ]( [: x$ U$ R& _+ l  B
欢迎转载
' t& [1 {& k  ?1 s0 }2 C% J
/ u# u7 ]  N; j2 W) h5 z( X5 S1 a转载请注明出处，请勿修改内容和删除作者信息！
# V6 G: E% ?* O; ?6 k9 V" P
5 h" q: T" l3 f+ i; D& w

jz0elu14dq564080197904.gif

关注我们

prkqap5u04m64080198004.png

( n1 G! n# }3 ]  Q- P b0c1h45korf64080198105.png

/ v% f8 O9 @2 L) A& y! T 340rszt5lsu64080198205.png - `. T0 m& k! J

                     


! G$ o: B+ U+ K+ \; _2 _
' m" ^! M3 b7 Z3 u* g8 n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。

http://www.latitudeda.com/
8 ~7 d+ w8 ~8 ?: q1 v（点击上方名片关注我们，发现更多精彩内容）