光纤网络中的光功率演化更好建模和控制的新框架

随着人工智能生成内容和虚拟现实等互联网服务的出现，对全球容量的需求激增，光纤通信系统的压力显着加剧。为了应对这种激增并降低运营成本，人们正在努力开发具有高效网络运营的自动驾驶光网络(ADON)。

ADON 最重要的任务之一是准确建模和控制光纤链路上的光功率演化 (OPE)，因为它决定了损伤噪声的水平和信号传输质量。

在光纤通信系统中，信号的光功率在光纤上演化，并在不同波长上变化，呈现出复杂的物理过程，特别是对于具有严重克尔非线性和通道间受激拉曼散射的多频带系统。

在多频段 ADON 中，OPE 主要受光纤传播和放大过程的影响。特别是，OPE 建模和控制的主要挑战在于光放大器 (OA)。数据驱动的方法能够实现高精度。然而，传统的数据驱动方法，尤其是神经网络(NN)，需要大量数据来构建准确的数字孪生模型，从而导致巨大的测量成本。

虽然一些方法可以通过迁移学习或整合物理知识等技术来最大限度地减少所需的测量，但数据选择的观点却很少受到关注。

最近，中国上海交通大学 (SJTU) 的研究人员提出了贝叶斯推理框架 (BIF)，可以有效地建模和控制光纤通信系统中的光功率演化。

他们的研究成果发表在《Advanced Photonics》杂志上，题为“数字孪生建模和控制光功率演化，实现自动驾驶光网络：贝叶斯方法”。

利用贝叶斯理论，BIF 通过性能估计和不确定性分析来选择下一个要测量的频谱/OA 配置。这种方法可以同时利用和探索数据空间来识别最合适的候选者，从而减少所需的数据大小。

研究人员在 C+L 波段光纤传输系统中进行了广泛的实验和模拟，以使用异构 OA(包括掺铒光纤放大器 (EDFA) 和拉曼放大器 (RA))对 OPE 进行建模和控制。

与使用随机收集数据的基于神经网络的建模方法相比，所提出的 BIF 可以将 EDFA 建模所需的数据减少 80% 以上，而使用 RA 则可以减少 60% 以上。在控制方面，对信号频谱和泵浦配置进行迭代调整，在不到 30 次迭代内实现任意目标增益/功率谱。

这项工作提供了一种有效的方法来选择数据以按顺序进行测量。测量数据可以立即学习，指导下一轮数据采集和优化，从而实现OPE的数据高效建模和控制。此外，所提出框架的概率分析显示了网络运行可靠性分析的潜力，这对于 ADON 至关重要。

通讯作者、上海交通大学诸葛群碧教授表示：“所提出的框架可以成为未来光网络中实现数据驱动的ADON的一条有前景的技术路径。”