Analysis of polarization drift of optical signals over deployed aerial-inground fiber connections

Technische Zusammenfassung: Analyse der Polarisationsdrift optischer Signale über eingesetzte hybride Luft-Erde-Glasfaserverbindungen

Problemstellung
Die Polarisationsdrift bleibt eine kritische Herausforderung für eingesetzte Glasfaserinfrastrukturen im Bereich der Quantenkommunikation, wo eine präzise Polarisationsstabilisierung im Sub-Sekundenbereich erforderlich ist, um einen hohen Verschränkungsdurchsatz und eine hohe Fidelität aufrechtzuerhalten. Im Gegensatz zu klassischen Multi-Terabit-Systemen, die Polarisationserhaltende Fasern und digitale Signalverarbeitung zur Minderung der Drift nutzen, stehen Quantennetzwerke, die auf Standard-Infrastrukturen operieren, vor hochstochastischen und nicht-stationären Polarisationsvariationen. Diese Drifts werden durch Umweltfaktoren – insbesondere Temperatur, Luftfeuchtigkeit und Windgeschwindigkeit – getrieben, welche die Brechungsindexmodulation und photoelastische Effekte induzieren, was zu räumlich ungleichmäßiger Doppelbrechung und Rotationen des Zustands der Polarisation (State of Polarization, SOP) führt. Während frühere Studien die Drift ausschließlich in Luft- oder Erdfasern charakterisiert haben, mangelt es an einer langfristigen Analyse von hybriden Luft-Erde-Verbindungen über mehrere Jahreszeiten hinweg, insbesondere hinsichtlich der Schätzung von Drift-Merkmalen mittels Umweltmessungen statt lediglich der Vorhersage.

Methodik
Die Autoren führten eine 11-monatige Studie (Dezember 2024 bis November 2025) an einer 15 km langen hybriden Luft-Erde-Glasfaserverbindung am Oak Ridge National Laboratory durch.

• Datenerhebung: Ein kontinuierliches 1550-nm-Polarisationssignal wurde durch die Faser übertragen. Lineare Basis-Stokes-Messungen (Horizontal-Vertikal) wurden kontinuierlich erfasst. Die Daten wurden mit einem Multi-FFT-Charakterisierungsgerät verarbeitet, das alle 45 Minuten FFTs mit einer mHz-Auflösung (0,37-mHz Bins) generierte.
• Merkmalsextraktion: Aus den FFTs (speziell dem $Y_{Hz}$-Datensatz von 0 bis 0,76 Hz) wurden globale Spektralmerkmale extrahiert: Spektralfläche ($Y_{Area}$), Spektralschwerpunkt ($Y_{sp,cen}$), Spektralvarianz ($Y_{sp,var}$), Spektralentropie ($Y_{sp,ent}$) und der $\beta$-Exponent des $f^{-\beta}$-Trends.
• Umwelteingaben: Meteorologische Daten (Temperatur, relative Luftfeuchtigkeit, Windgeschwindigkeit) wurden in 2-Minuten-Intervallen von einer lokalen Station gesammelt. Die Eingangsmerkmale umfassten aktuelle Werte, Änderungen über 4ata 45-Minuten-Intervalle ($\Delta$) sowie die Tageszeit.
• Theoretischer Rahmen: Ein theoretisches Modell basierend auf stochastischen Differentialgleichungen und $SO(3)$-Rotationsoperatoren wurde entwickelt, um die SOP-Drift als Produkt von unitären Rotationen zu beschreiben, die durch Umweltvariablen getrieben werden. Dieses Modell informierte den Machine-Learning-Ansatz, indem es die nichtlineare, multiplikative Natur des Drift-Rauschens und die verzögerte thermische Reaktion der Faserschichten hervorhob.
• Maschinelles Lernen: Random-Forest-Regressoren wurden eingesetzt, um die Spektralmerkmale ($Y$) als Funktionen der Umwelthistorien ($X$) zu schätzen. Die Studie verglich unverzögerte Eingaben mit verzögerten Eingaben (4-Stunden-Abstand, 1-Tages-Historie), um die thermische Äquilibrierungszeit der Faser und externer Materialien (z. B. Eis, Schmutz) zu berücksichtigen. Die Leistung wurde mittels des Root Mean Square Logarithmic Error (RMSLE) gegenüber Baseline-Schätzern (nur Tageszeit oder Kombinationen gleitender Durchschnitte) bewertet.

Wesentliche Beiträge und Ergebnisse

1. Diurnale und saisonale Charakterisierung: Die Analyse zeigte starke diurnale Strukturen in der Spektralfläche ($Y_{Area}$), wobei die Maxima am Tag mit den Spitzen von Temperatur und Windgeschwindigkeit sowie den Tiefpunkten der Luftfeuchtigkeit korrelierten. Die Werte in der Nacht waren konsistent niedriger. Die Saisonalität war ausgeprägt, mit höheren Mittelwerten und Varianzen im Sommer im Vergleich zum Winter.
2. Spektrale Eigenschaften: Die FFT-Charakteristika deuteten auf starkes multiplikatives Rauschen hin, wobei das Signal innerhalb von 5,1 % des 0,76-Hz-Fensters konzentriert war. Der $\beta$-Exponent schwankte um 1,0 (Flicker-Rauschen) und zeigte im Winter häufigere Einbrüche, was wahrscheinlich auf windbedingte Phänomene wie das „Galloping“ bei eisbedeckten Fasern zurückzuführen ist.
3. Umweltabhängigkeiten:
   • Tageszeit und Temperatur: Zeigten die stärkste Abhängigkeit von der Spektralfläche.
   • Windgeschwindigkeit: Zeigte die stärkste Abhängigkeit vom Spektralschwerpunkt und dem $\beta$-Exponenten, insbesondere im Winter.
   • Heteroskedastizität: Die Varianz der Spektralfläche war nicht stationär und nahm mit der saisonalen Temperatur zu, was das theoretische Modell stützt, wonach höhere Temperaturen die Fasern anfälliger für durch mechanische Spannung induzierte Doppelbrechung machen.
4. Maschinelles Lernen:
   • Random-Forest-Schätzer erreichten eine geringe Gesamtabweichung (<2 % relativer Fehler) zwischen Test- und Trainingsdatensätzen unter RMSLE.
   • Die Einbeziehung verzögerter Umweltdaten (24-Stunden-Historie mit 4-Stunden-Abstand) verbesserte die Schätzung, insbesondere bei nächtlichen Tiefpunkten, indem die verzögerte thermische Reaktion der Faser berücksichtigt wurde.
   • Die Schätzer erfassten erfolgreich diurnale Zyklen und saisonale Trends, hatten jedoch Schwierigkeiten, die exakten Amplituden scharfer Sub-Peak-Merkmale vorherzusagen, die wahrscheinlich durch intrinsisches Rauschen oder nicht modellierte hochfrequente Umweltabhängigkeiten getrieben werden.
   • Baseline-Modelle, die nur Tageszeitdaten verwendeten, schnitten im Winter schlecht ab, was bestätigt, dass Umweltvariablen für eine präzise Schätzung über die Jahreszeiten hinweg notwendig sind.

Bedeutung und Ansprüche
Das Paper beansprucht, eine umfassende Charakterisierung der Polarisationsdrift über hybride Luft-Erde-Glasfaserverbindungen zu liefern und damit die Lücke zwischen theoretischen Modellen und empirischer Machine-Learning-Schätzung zu schließen. Die primäre Bedeutung liegt in dem Nachweis, dass Umweltmessungen dazu verwendet werden können, die deterministischen Komponenten von Polarisationsdrift-Merkmalen mit hoher Zuverlässigkeit (<2 % relativer Fehler zwischen Training und Test) zu schätzen, trotz des hohen Rauschens und der Nichtstationarität des Signals.

Die Autoren behaupten, dass ihr Framework eine „wetterbewusste Vorhersage“ (weather-aware prediction) von SOP-Drift-Merkmalen ermöglicht. Diese Fähigkeit wird als Werkzeug für die Überwachung und Steuerung des Verbindungszustands in Quantennetzwerken präsentiert, was potenziell ein proaktives Scheduling, Routing und die Optimierung von Polarisationskontrollparametern (z. B. PID-Tuning) basierend auf Umwelt-Telemetrie erlaubt. Die Studie betont, dass, obwohl die absolute Vorhersage des gesamten Signals aufgrund des Rauschens schwierig ist, die Schätzung der Erwartungswerte wetterabhängiger Merkmale ein praktikabler und wertvoller Ansatz zur Aufrechterhaltung der Netzwerkstabilität ist. Die Arbeit beansprucht nicht, die Notwendigkeit einer aktiven Polarisationskompensation zu eliminieren, sondern legt nahe, dass die Umwelt-Schätzung die Effizienz und Robustheit solcher Systeme verbessern kann.