基于機器學習的高效均衡器設計提升100G PAM-4 PON系統性能

機器學習，特別是深度學習，在光通信領域的應用愈發廣泛。其強大的模式識別能力優化了信號處理算法，大幅提升了數據傳輸質量和速度。通過機器學習算法，能更精準地預測和補償光纖中的非線性效應和信號衰減，實現更遠的傳輸距離和更高的信號質量。隨著科技的不斷進步，光通信網絡正變得更為智能和自適應。機器學習算法能實時分析網絡狀態，動態調整光信號傳輸參數，以適應網絡負載和物理條件的變化，從而提高數據處理效率，降低能耗和成本。同時，機器學習也增強了光通信網絡的可靠性和安全性。通過持續監控網絡性能，機器學習算法能迅速定位故障點，減少停機時間，還能檢測異常流量模式，有效防范網絡攻擊和數據泄露。機器學習與光通信的結合為通信技術發展注入了新動力，引領著革命性的變革。

基于機器學習的高效均衡器設計

提升100G PAM-4 PON系統性能

接入網絡中的數據流量持續增長，因此需要無源光網絡（PONs）的數據速率超越10 Gb/s。盡管最近已經達成了50G強度調制直接檢測（IMDD）PON標準，但已經有關100 Gb/s的研究工作正在進行。在如此高速的PON中，色散會導致接收信號產生非線性失真，最好通過數字信號處理（例如前饋/決策反饋均衡器）來處理。一種實用的100G PON實現方案是基于25G電吸收調制（EAM）技術，并結合半導體光放大和PAM-4調制方式。使用可實現的前饋/決策反饋均衡器，即23個前饋和2個決策反饋的濾波器長度，并結合強大的前向糾錯（FEC）技術，可以應對>31.5 dB的光路徑損耗（OPL）。

基于機器學習的均衡方法，如深度神經網絡（DNN）[1,3]，在處理線性失真時表現出與FFE和Volterra均衡器類似的性能，但在非線性區域表現更強[3]。在光網絡終端（OLT）中使用助推放大器，以18 dBm的發射光功率（LOP），使用20G級電光器件，在DNN輔助的100G IMDD PON中，可以實現30 dB的損耗預算。在[3]中采用了馬赫-曾德爾調制器。實際的PONs使用的是電吸收調制器（EAM），它會產生啁啾，導致脈沖信號的時域延展。除了色散之外，來自激光源的線寬擴展和頻率波動，以及機械振動引起的物理干擾都可能導致PON中潛在的殘余時間抖動，進而影響到光信號的傳輸質量和穩定性。

本文介紹了一種創新的均衡器設計——FC-SCINet，將頻率校準（FC）技術與采樣卷積和交互網絡（SCINet）相結合，用于下行100G PAM-4 PON系統中的信號處理，其光傳輸損耗（OPL）為28.7 dB。通過結合FC和SCINet，不僅能夠有效地對復雜的時間動態進行時序建模[4]，還能夠支持對信號頻譜屬性進行微調。FC-SCINet在處理色散（CD）方面表現出顯著的改善，其性能超越了使用9/21-tap FFE和3層DNN的系統，在11 km的傳輸距離上，FC-SCINet至少實現了87.5%的誤碼率（BER）改善。FC-SCINet對EAM chirp、殘余時間抖動和Kerr非線性表現出強大的魯棒性，在5 km傳輸距離上，相較于使用FFE和DNN的系統，誤碼率改善了88.87%（在FEC限制為10-2時)，降低了約 10.577% 的復雜度水平。因此，FC-SCINet 在性能改善的同時，更為高效地利用了系統資源。

FC-SCINet均衡器及系統仿真 研究與性能評估



使用VPItransmissionMaker軟件對1550nm下行100G PON進行了仿真。在OLT發射機中，使用了55 GHz帶寬的EAM，其透射特性和啁啾特性與[5]中描述的相同，由一個使用矩形脈沖整形的電PAM-4信號發生器驅動。發射激光器，設置了以下參數：線寬為1 MHz，側模分隔為200 GHz，側模抑制比為100 dB，相對強度噪聲為-130 dB/Hz。發射光功率設置為10 dBm，以考慮總的光傳輸損耗為28.7 dB。對于光網絡單元（ONU）接收機進行了模擬，采用了55 GHz帶寬的雪崩光電二極管。其熱噪聲為10-12 A/sqrt(Hz)，包括擊穿噪聲，響應度為0.9A/W，倍增系數為8，電離系數為0.4；接著是一個傳輸導納放大器TIA，其傳輸導納為100歐姆，以及一個增益為10 dB的電后置放大器。發送驅動器和后置放大器均包括20-12A/sqrt(Hz)的電流噪聲譜密度。收發器（transceiver）中的濾波器采用了4階貝塞爾類型進行建模。

為了防止比較FC-SCINet和低復雜度DNN時發生比特模式識別，從而導致性能估計過高，采用了一種隨機不重復的數字序列（RNS）。對于深度神經網絡（DNN），探索了從2到16的隱藏層，每個隱藏層的神經元數量不同，范圍從4到128。同時比較了Sigmoid和ReLU激活函數?；瑒訒r間窗口方法使用了不同的前置和后置窗口大?。◤?到64）進行評估。其他DNN參數包括批處理大小為32，學習率為10-5，L2 正則化，以及均方誤差（MSE）作為損失函數。FC-SCINet和DNN的訓練數據集是每個光纖距離的220 × 30個RNS迭代，以每個符號1個樣本的方式同步和下采樣。其中15%的數據用于測試，10%用于驗證。

為了比較，模擬了傳統的、低復雜度的決策導向式FFE，采用了9和21個有限脈沖響應（FIR）濾波器階段，并使用最小均方算法來調整濾波器系數。對于傳輸鏈路，我們考慮了兩種情況：1）僅包括色散（CD）；和2）一個更加現實的情況，包括所有的失真，例如CD、Kerr誘導的非線性、發射機啁啾和時間抖動，稱為“Realistic”。在兩種情況下都考慮了標準單模光纖，其損耗為0.2 dB/km，色散系數為16 ps/nm/km，色散斜率為8 ps/nm/km。對于第二種情況，考慮了Kerr非線性系數為2.6?20 m2/W。采用高斯分布模擬了每個生成符號的時間抖動，其均方根為0.1，標準偏差為0.5。

圖1. (a) 展示了創新的FC-SCINet均衡器的框圖。(b) 顯示了50個傳輸（目標）/接收連續樣本的時間/頻率域表示，分別顯示了FC和SCInet的影響。

FC-SCINet模型介紹

FC-SCINet的目標是通過捕獲接收信號X中由信道/收發器效應引起的失真模式，實現對傳輸信號Y的最佳映射。FC-SCINet由三個關鍵組件組成：Preprocess、Decomp和SCIBlock，如圖1(a)所示。

每個組件描述如下：

基于FC-SCINet的機器學習 均衡方案仿真結果

在仿真結果中，FC-SCINet的性能在直接計數誤碼率（Monte-Carlo）方面與DNN/FFE進行了比較，采用了1個樣本每符號（SpS）和220個符號的固定OPL為28.7 dB的不同距離。對于每個距離，DNN的優化得到了前后窗口大小為16，以及由60、64和18個神經元組成的3個隱藏層。較高數量的隱藏層在使用ReLU或sigmoid激活函數時導致了性能的過度估計，而神經元數量的影響幾乎可以忽略不計。

在Case 1）CD場景中，FC-SCINet相對于FFE/DNN顯著提高了CD容忍度，在11 km處與9個脈沖響應（FFE）和3層DNN相比，誤碼率（BER）改善了87.5%。在9 km處，圖1(b)展示了FC-SCINet的有效性，展示了50個連續時間域樣本及其相應頻譜的隨機代表性集合。FC和SCINet的結合能力協同地導致了頻譜形狀（峰峰值幅度壓縮）和時間脈沖變窄，從而提高了傳輸序列的預測準確性。圖2(d)展示了9 km處的BER色彩圖，突出顯示了用于優化的兩個關鍵超參數：互動器的級別和窗口大小。在這個距離上，當窗口大小設置為64且級別設置為3時，達到了最佳的BER。

此外，圖2(c)顯示了對應的接收PAM-4星座圖，表明誤差主要發生在FC-SCINet發揮其顯著補償影響的高幅度區域。值得注意的是，與FFE相比，DNN表現出較差的性能，因為系統處于低信噪比的線性狀態，而DNN通常在非線性狀態下表現優異。對于Case 2）Realistic場景，在存在額外效應如EAM啁啾、殘余時間抖動和Kerr非線性的情況下，FC-SCINet表現出強大的性能。對于達到10-2的FEC極限的情況下，與FFE/DNN相比，可實現88.87%的BER改善。



圖2. (a)，(b) 展示了FC-SCInet、DNN、FFE和無均衡的情況下的誤碼率與距離的關系，分別針對Case 1-2（CD-Realistic）。(c) 展示了Case 1（CD）在9 km處的接收星座圖。(d) 展示了Case 1（CD）在9 km處的FC-SCInet窗口大小和互動器級別的誤碼率顏色圖。

FC-SCINet的復雜性與最佳3層DNN [60，64，18個神經元]之間進行了比較，使用的度量標準是每個符號的實際乘法次數（RMpS）[6]。通過RMpS與中位誤碼率（mBER）的乘積來表征誤碼率和復雜性之間的權衡，稱為PRB。表1提供了RMpS、PRB及其實例的分析表達式。從RMpS值來看，FC-SCINet相比所采用的DNN可減少10.577%的復雜性。

表1：RMpS、mBER和PRB的比較

VPItoolkit ML Framework插件庫

引領通信技術革新

VPI提出了一種基于FC-SCINet的新型均衡器，適用于28.7 dB OPL的下行100G PAM-4 PON。FC-SCINet表現出對CD的顯著容忍性，在11 km傳輸距離上相比于9/21-tap FFE和3層DNN，達到了最低87.5%的BER改進。FC-SCINet的架構在捕獲和有效解決CD引起的光譜和時間脈沖失真方面表現突出。在存在EAM啁啾、殘余時間抖動和Kerr非線性的情況下，FC-SCINet表現出顯著的穩健性，在5 km處的BER比FFE和DNN改善了88.87%，同時提供了10.577%的較低復雜度。

在本文中，作者利用VPI軟件的強大仿真能力，針對下行100G PAM-4 PON系統進行了深入探究。通過集成VPItoolkit ML Framework插件庫，作者成功設計了一款基于機器學習的均衡器——FC-SCINet。這款均衡器能夠精準捕捉并處理光信號中因色散產生的復雜失真，從而在高速PON系統中實現了顯著的性能提升。

這一創新成果不僅為光通信系統的設計提供了新的思路與工具，更彰顯了VPI軟件及VPItoolkit ML Framework插件庫在光通信仿真領域的卓越地位與重要價值。廣大光通信領域的研究人員和工程師們，借助VPItransmissionMaker軟件及其VPItoolkit MLFramework插件庫，可以更加深入地開展研究工作，實現更多創新突破，共同推動光通信技術的持續發展與進步。

審核編輯：劉清