人工智能在光通信的应用案例

机器学习（Machine Learning）是今年OFC的热门主题。3月号的OSA Optics&Photonics杂志刊载了来自丹麦科技大学的Darko Zibar， Francesco Da Ros， Giovanni Brajato和Uiara C. de Moura四位作者的文章“迈向光子系统的智能时代”，摘要如下。

光通信系统为什么需要人工智能？

未来十年到十五年，虽然在信号波特率，灵活通道间距，调制格式，编码方案等领域已经有很大的进步，还是很难满足未来光通信系统和网络的复杂性和性能需求。超宽带（O+E+S+C+L）波段和空分复用（SDM）技术可能是最好的解决方案。这样复杂的系统需要对信号与检测机制进行优化设计。以其中使用的光放大器技术为例，需要对众多的参数进行快速的调整以实现理想的增益曲线。同样，下一代系统的能量效率，流量路由，通道功率和带宽分配，调制格式等也经常需要迅速的调整。传统方案在此已经不能胜任，光通信系统和网络的设计都需要全新的思路。另外，新兴的量子信息保密系统需要传统信道和量子信道在同一个光网络中共存。由于量子信号通常比传统信号功率更低，因此接收端设计也需要更加智能。机器学习对光通信系统的价值还体现在测量系统的设计上。现有的信号分析系统无法区分不同的信号失真机制，也无法区分系统和器件带来的失真。另外，由于光通信系统的性能趋近理论极限，对光源的噪声特性分析更加重要，尤其是GHz范围的噪声分析。所有这一切，都需要机器学习的介入。

人工智能在光通信的应用案例

（一）、超宽带光放大

传统的EDFA只适合C波段一部分，而支持O波段的SOA技术一直并不成熟。新的超宽带系统需要支持全部5个波段的光放大系统，而且增益曲线需要是任意形状的。子波段之间的非线性作用要求信号功率曲线不能平坦以确保实现最大的信息率（AIR）。同时，不理想的光ADM的特性也带来对非平坦的增益曲线的要求。现阶段以拉曼放大器为主，配合BDFA（掺铋光纤放大器）和SOA，实现的混合结构的放大器是实现超宽带放大的主要技术。在选择拉曼放大器的泵浦功率，波长等方面，机器学习都扮演着关键角色。和集成光路设计一样，拉曼放大器的设计也是一个典型的反向系统设计ISD问题，所谓的多层次神经网络正是解决这一问题的关键。

（二）、非线性通道的通信

超宽带系统中Kerr效应，受激拉曼散射SRS等各种非线性效应带来子通道间的相互作用，从而让系统的设计异常复杂。解决这个问题的办法是从输入输出数据出发，依托多层神经网络算法，实现AIR的最大化。这种算法被称为端到端学习E2E，其主要优点是对通道模式无关。

（三）、激光器和频率梳的特性测量

在下一代光通信系统中，高性能的激光器和频率梳扮演着关键角色。对于激光器和频率梳的测试依赖于外差技术。如今最高水平的光探测器模拟带宽可以达到100GHz，支持160GS/s，这为机器学习的引入带来方便。诸如贝叶斯滤波技术的机器学习方法为激光器和频率梳的测量带来方便，尤其是激光器的相位噪声以及量子噪声限制带宽。传统的技术智能支持最高-140dB rad2/Hz的相位噪声和MHz级别的信号。

机器学习技术如今在光通信系统的网络规划，故障预测和光性能监测等领域发挥越来越大的作用。未来的智能光网络将是自动化的，自愈的，可以预测流量需求，支持能效最大化。这样的光网络不仅提供高速率，而且可以支持联合国的绿色可持续发展目标。为了达到这一目标，需要光通信业者不仅要懂得光通信的物理，更要学习机器学习相关的数学，编程和算法。这将是光通信未来的重要方向。