מערכות תקשורת אופטיות בבסיס כל העברת הנתונים המודרנית, מעמודי אינטרנט גלובליים למרכזי נתונים היפר בקנה מידה ורשתות מסחר בקידוד גבוה.כפי ש-Palb דורש להמשיך לדגום – מונעים על ידי הזרמת וידאו, מחשוב ענן, עומסי עבודה מלאכותיים ואינטרנט של הדברים – הצורך בשינויים יעילים יותר, מדויקים יותר והתאמה אופטיים לא היה גדול יותר בלב של כל עיבוד אופטי מסורתי, מההשפעה של אותות קריטיים, מהמהירות של מידע מהיר ומאובטחת, תוך כדי שינוי מהיר יותר, תוך כדי שינוי מהיר יותר, תוך כדי שינוי יעיל יותר, תוך כדי שינוי יעיל יותר, תוך כדי שינוי יעיל יותר, תוך כדי שינוי יעיל יותר, תוך כדי שינוי יעיל יותר, כמו גם כן, כמו גם אלגוריתמים, והתאמה אישית, והתאמה אישית, תוך כדי שיפור יעיל יותר, והתאמה אישית, כמו גם כן, כמו גם אלגוריתמים של נתונים, והתאמה אישית, תוך כדי שיפור יעיל יותר, תוך כדי שיפור יעיל יותר ויותר, תוך כדי שיפור יעיל יותר ויותר, כמו גם של נתונים, כמו גם אלגוריתמים של נתונים, כמו גם של נתונים, תוך כדי שיפור יעיל יותר ויותר, והתאמה אישית של נתונים, תוך כדי שיפור יעיל יותר ויותר, תוך כדי שיפור יעיל יותר ויותר, כמו גם של נתונים

המונחים: Optical Acceptr Signal

מקלט אופטי עושה הרבה יותר מאשר פשוט לזהות אור.שרשרת האות מתחילה עם photodetector (בדרך כלל a PIN או avalanche photodiode) אשר הופך את הכוח האופטי הנכנס לתוך photocurrent. הנוכחי זה הוא מוגבר על ידי מגבר שלב transimpedance (TIA), ולאחר מכן דיגיטציה על ידי ממיר אנלוגי לדיגיטלי (ADC) פעם בתחום הדיגיטלי, אפקט לייזר של עיבוד הדם (D) מתחיל).

שרשראות DSP האמנה מסתמכות על אלגוריתמים ⁇ סטים.לדוגמה, הזנת-קדימה שווה (FFE) משתמשת קווי עיכובים מכווצים ומקדם קבוע כדי לבנות את תגובת הדחף.החלטות-הזנת שווה (DFE) להוסיף נתיב משוב כדי לבטל את התערבות שלאחר אלגוריתם (ISI) מקסימום אלגוריתם אלגוריתם (MLSE) עבור חיפושים סבירים ביותר, אך מתאים לשיטות הפעלה סטנדרטיות, כגון אלגוריתם סטנדרטית (D) עם יעילות), כמו אלגוריתם סטנדרטית (DREDREDRED) עם אלגוריתם סטנדרטית (DREDIVE) עם אלגוריתם סטנדרטית (I) עם אלגוריתם סטנדרטית (I).

למרות אי-השוויון שלהם, שיטות קלאסיות אלה יש מגבלות ידועות.הם מסתמכים על מודלים ליניאריים, מה שהופך אותם תת-אופטימיים באופן בלתי-סביר במשטרים לא-לינאריים – באופן אסטרטגי שבו קישורים סיבים מודרניים-אופטיים פועלים כדי למקסם את היכולת שלהם, האפקטיביות שלהם בדרך כלל מאומנת בשלב התחלה ומעודכנת לאט, הגבלת תגובה לטרנסנטים מהירים.

כיצד למידת מכונה משפרת את עיבוד אותות אופטיים

למידת מכונה מציעה פרדיגמה שונה מהותית: במקום להניח מודל קבוע של הערוץ, אלגוריתמי ML לומדים את המיפוי מסימן מעוות לטיהור נתונים ישירות מדוגמאות.זה מאפשר להם ללכוד לא לינאריות, להסתגל לתקלות בזמן, ואפילו לגלות תכונות שהמהנדסים אולי לא חשבו לכלול.טכניקות הלמידה החלות על מקלטים אופטיים יכולות להיות מסווגות באופן רחב לקטגוריות מתוחכמות, לא מבוקרות, חצי-על-על-על-על-על-ידי-ידי-ידי-ידי-על-ידי-ידי-ידי-ידי-ידי, ו/או-ידי רשתות למידה עמוקות, עם השפעה (DN) עם השפעה עמוקה.

למידה מבוססת על שוויוניות וגילוי

בלמידה מבוקרת, מודל מאומנים על זוגות של תכונות קלט (למשל, ערכי אות מדגימים) ולייבלי יעד ידועים (סמלים המועברים) משימות נפוצות כוללים שוויון ברמת סמל, שבו המודל מפיץ הערכה של הסמל המועבר, וגילוי ברמת רצף, שבו המודל תפוקה של רשתות עצביות-טווח (DLS) עשויים להיות מתאימים במידה רבה להתאמה, כי הם יכולים ללכוד תבניות ארוכות טווח כגון DLS) כגון רשתות זיכרון לטווח ארוך (N) מורכבות).

למידה בלתי מבוקרת ועצמית

טכניקות למידה לא מבוססות, כגון autoencoders, כבר בשימוש ללמידה מקצה לקצה של מערכת התקשורת כולה - החל משדר בעיצוב לשווי מקלט - מבלי לדרוש תוויות מפורשות. autoencoder לומד ייצוג קומפקטי של האות שמשחזר את האות עם עיוות מינימלי.זה יכול להוביל עיצובים חדשניים אופטימיזציה עבור ליקויים ספציפיים.

Reinforcement Learning for Adaptive control

Reinforcement למידה (RL) הוא פחות נפוץ ב- Opt אופטי DSP אבל מבטיח בעיות בקרה הסתגלותיות, כגון התאמת הטבות שווה בזמן אמת כדי לייעל מדד פרס ארוך טווח (למשל, שיעור שגיאות מינימלי) סוכנים שלRL יכולים ללמוד מדיניות כי להסתגל דינמי לשינוי תנאי ערוצים, כגון שינוי כוח או תנודות טמפרטורה, ללא צורך מודל מפורש.

אדריכלות רשת עמוקה בפרקטיקה

כמה אדריכלות הוכיחה יעילה במיוחד:

  • (FLT:0convolutional Neural Networks (CNN)BuildFLT:1: המשמש לשוויון זמני ומיצוי תכונה בקצב הסמל.הם יעילים חישוביים וניתן ליישם אותם עם משאבים בינוניים.
  • (FLT:0)Reservoir מחשובFLT:1: סוג של רשת חוזרת עם משקולות פנימיות קבועות קריאה ליניארית לוחמת.זה אטרקטיבי במיוחד עבור מקלטים אופטיים בגלל מורכבות האימונים הנמוכה שלה והתאמה ליישום חומרה (למשל, במאגרים פוטוניים).
  • (FLT:0) מורכב-Valued Neural NetworksveFLT:1: אותות אופטיים מורכבים מטבעם (in-phase and quadrature רכיבים) מורכבות רשתות עצביות (CVNs) מעבדים את הרכיבים האלה באופן טבעי, שמירה על מידע שלב ולעתים קרובות מחלחלות רשתות אמיתיות עם פעמיים.
  • (FLT:0) יועצים רוחניים (Generative Adversarial Networks (Generative Adversarial Networks) 1:1: שימוש בהגדלת נתונים - יצירת נתוני אות סינתטיים מציאותיים כדי להשלים קבוצות אימונים קטנות - ולזיהוי אנומלי ב ניטור ביצועים אופטיים.

היתרונות של Machine Learning in Optical Accepters

היתרונות של שילוב ML ל עיבוד אותות אופטיים של אותות מקלט להאריך מעבר להישגים בלבד.הם מאפשרים יכולות חדשות שהיו בעבר לא מעשיות:

  • (FLT:0)Enhanced Bit Error Rate (ב) PerformanceofLT) 1: ML equalizers יכול להפחית את ה- BER על ידי פקודות של גודל בהשוואה ל-Lyigns במשטרים לא ליניאריים חזקים.לדוגמה, בקישורים שאינם מתפזרים, דירקטורים המבוססים על למידה עמוקה הראו שיפור של 1–2 dB ברגישות למקבל.
  • (FLT:0) ג'וינט פיצוי של ImpairmentsFLT:1; מודל ML יחיד יכול להתמודד עם פיזור chromatic, לא לינאריות, ורעש שלב לייזר בו זמנית, בעוד שיטות קלאסיות מתייחסות אלה באופן עצמאי.
  • (FLT:0) מבצע זמן אמת-זמן אמתי: מודלים של ML יכולים להיות מותאמים באופן רציף באמצעות למידה מקוונת, מעקב אחר סחף ערוצים ללא צורך בסימני טייס או אימון להפסיק.
  • (FLT:0) Data-Driven Performance MonitoringFLT:1hil: מודלים של ML יכולים לפלט לא רק את הפיסות המופעמות, אלא גם מדדי ביטחון (הערכות בלתי-ודאות), המאפשרים ניהול רשת אינטליגנטי ותחזוקה חיזויית.
  • (FLT:0) שקיפות לשיעורי Baud גבוה יותר: כשיעורי סמל מעל 100 GBaud, שווים קלאסיים הופכים מורכבים ללא הגבלה בשל מספר גבוה של דגמי ML יכולים להשיג ביצועים דומים או טובים יותר עם הרבה פחות פרמטרים כאשר הם מאומנים כראוי.
  • (FLT:0) ,Reduced Development Time for New SystemsFIRLT:1; במקום אלגוריתמים מקודמים על כל צורה חדשה של פגיעה, מהנדסים יכולים להכשיר מודלים מונעים נתונים על מדידות מהקשר בפועל, מאיץ זמן לשוק.

אתגרים ומגבלות

למרות הבטחתו, הפצת למידת מכונה במקבלי אופטי בעולם האמיתי ניצבת בפני כמה מכשולים בלתי אפשריים:

  • (FLT:0Data Acquisition and Labelinging: למידה סופר-מעודכן דורש כמויות גדולות של נתונים מתוייגים - רצפים של חומרים שבהם הנתונים המועברים ידועים.Aquiring נתונים כאלה בתנאים תפעוליים אמיתיים הוא יקר וזמניים.המידע חייב גם לכסות את טווח הפגמים המלאים של ליקויים האפשריים המפגש של המקלט, אשר כמעט בלתי אפשרי עבור ערוצים עם זיכרון ארוך.
  • (FLT:0) מורכבות ועוצמה Conquipherph:1: רשתות עצביות עמוקות דורשות פעולות רבות של קידוד (MAC) עבור סמל.ב המקלט 400-Gbps, DSP חייב לעבד מיליארדי סמלים לשנייה.אפילו רשת עצבית קטנה יחסית יכולה לעלות על תקציב הכוח של מודול מתכובש (בדרך כלל כמה וואט).
  • (FLT:0) בזמן אמת אי-השוויון של LatencyFIRLT:1; מקלטים אופטיים פועלים בתקופות סמל ננו השני.ה-ML חייב להשלים בתוך מספר רב של מודלים למידה עמוקה, במיוחד רשתות חוזרות, יש נטייה גבוהה כי קשה צינורות.טכניות כמו יזום, לכמת, ושימוש בארכיטקטורה של מזון (למשל, CNN) הם דיוקים הכרחיים.
  • (FLT:0) הכללה ו-Overfitting:1: מודל ML מאומן על נתונים של קישור סיבי אחד עלול להיכשל כאשר הוא פרוס על קישור אחר עם פרמטרים שונים (למשל, סוג סיבים שונים, אורך, כוח שיגור). אנליסט מבטיח דורש אסטרטגיות הכשרה זהירה, הסתגלות דומיין, או תיקון מקוון בסדר.
  • (FLT:0) ל- InterpretabilityFLT:1: רשתות עצביות עמוקות הן ארגזים שחורים.כאשר מקלט ML עושה טעות, להבין מדוע קשה.זהו מכשול משמעותי להסמכה בציוד טלקום שבו ניתוח שורש הוא חובה.
  • (FLT:0) אינטגרציה עם DSP EcosystemsFLT ( 1:1): מקלטים אופטיים נוכחיים יש צינורות DSP בוגר, נבדקים הקרב.כניסת בלוק ML דורש עיצוב ממשק זהיר, טיפול במקרים קצה, והתאמה לאחור.המערכת הכוללת חייבת עדיין לעמוד במפרט ג'טר, לשוטט, שגיאות ושגיאות.

כיוונים עתידיים

התחום מתפתח במהירות, וכמה מגמות מתעוררות מבטיחות להתגבר על המגבלות הנוכחיות:

עיצוב מודל חומרה-Aware Model Design

המחקר מתמקד יותר ויותר בעיצוב רשתות עצביות ידידותיות ליישום דיגיטלי ASIC או FPGA.זה כולל רשתות עצביות בינאריות (BNNs) המשתמשות רק 1 ו-1 משקלים, צמצום דרמטי של עלויות מרובות; רשתות עצביות (SNN) המחקות נוירונים ביולוגיים עבור אולטרה-עוצמה נמוכה הקצינה; ורשתות עצביות שבו החישוב העצבי עצמו מבוצע באופן אופטי, ובכך מבטלות את הצורך בהפגנות אלקטרוניות עבור חומרים מוקדמים לחלוטין.

למידה מקוונת והמשך

במקום להכשיר מודל פעם והקפאתו, מקלטים עתידיים ישתמשו אלגוריתמים למידה מקוונים המעדכנים את המודל באופן מצטבר כמו נתונים חדשים מגיע.טכניקות כמו עצירות משקל אלסטית (EWC) וזיכרון אפיזודי (GEM) מאפשרים לדגם להסתגל לתנאי ערוץ חדשים ללא נשכח באופן קטסטרופלי קודם.זה חיוני עבור קישורים ארוכי-החלל וצוללות שבו ייתכן שהגיל הצמח או להיות מבוטח מחדש.

למידה מעודכנת עבור Network-Wide Optimization

מקלטים בודדים יכולים לשתף פעולה כדי להכשיר מודל משותף ללא החלפת נתונים גולמיים, באמצעות למידה מוזן.לדוגמה, מקלטים מרובים בתקופות שונות של אותו קישור יכולים להכשיר באופן קולקטיבי מודל שמגדיל טוב יותר לכל הקישור, תוך הגנה על נתונים קנייניים.זה גם מקטין את נטל הנתונים על כל צומת יחיד.

סוף-סוף למדו טרמפיסטים

הסיומת האולטימטיבית של ML בתקשורת אופטית היא ללמוד את כל השכבה הפיזית - החל משדר הדופק עיצוב וקונסטלציה עיצוב למקבל שוויון ודה-הפצה - כמו רשת עצבית מקצה לקצה אחד עד הסוף. גישה זו הוצגה לגלות כוכבי לכת חדשים וצורות הדופק כי קונבנציונאליים בערוצים לא ליניאריים.

סטנדרט ו Benchmarking

(ה-ML כדי להיות מאומצים על ידי תעשיית הטלקום, יש צורך במדדים סטנדרטיים.Efforts, כגון IEEE P1918.1 "Tactile Internet" ופרויקטים של Internetwork (OIF) כדי להגדיר ערוצי התייחסות, מדדי הערכה ופתיחת נתונים.

שילוב עם Quantum Key Distribution (QKD)

עיבוד אותות מבוסס ML הוא גם נחקר עבור מקלטי QKD, שבו יחס אות-לא-מס הוא נמוך מאוד. רשתות נילי יכול לשפר את הפיוס מפתח ולהקטין את שיעורי השגיאה, מה שהופך QKD מעשי יותר על רשתות סיבים פרוסים.

מסקנה

(הלימוד של מכונות) מאמת את מה שניתן בעיבוד אותות אופטיים של אותות מקלט (אופטיים) על ידי שינוי ממודלים ליניאריים קבועים, לא ליניארים, ואלגוריתמים אדפטיים, ML מאפשר שיעורי נתונים גבוהים יותר, טווח ארוך יותר, ופעולה חזקה יותר תחת ליקויים בעולם האמיתי: אתגרים מתקדמים בצריכת חשמל: 1) בצריכת חשמל-DValentity, ובאופן קבוע – אך מחקר פעיל בחומרה, מתוכנן באופן מהיר, ו-Fightivation, הוא צפוי לשלב אותנו ב-Reducation for Open-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to