⚡ electrical engineering

ML-Enabled Deformable Matched Filters for Band-Limit Compensation in Free-Space Optics

Este artículo propone un marco de filtrado de coincidencia deformable asistido por redes neuronales que aprende las deformaciones del filtro residual basándose en características compactas de la señal para compensar eficazmente la distorsión de pulso inducida por el ancho de banda en sistemas de modulación CAP de espacio libre óptico, superando significativamente a los filtros fijos convencionales sin aumentar la latencia.

Autores originales: Paul Anthony Haigh

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Paul Anthony Haigh

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Corrigiendo un mensaje borroso

Imagina que estás intentando enviar un mensaje claro y nítido a través de una habitación usando una linterna. En un mundo perfecto, el haz de luz se mantiene apretado y enfocado, golpeando exactamente donde apuntas. Pero en el mundo real, el aire puede estar brumoso o la lente de tu linterna puede estar un poco vieja y borrosa. Para cuando la luz llega a la pared, el haz se ha expandido, superponiéndose con sus vecinos. Si intentas enviar una serie de puntos y rayas (como el código Morse), esos puntos borrosos comienzan a mezclarse, haciendo que sea difícil distinguir dónde termina uno y comienza el siguiente.

En el mundo de la Óptica de Espacio Libre (enviar datos mediante luz a través del aire), este "borroneo" es causado por las limitaciones de ancho de banda. Es como intentar meter un río ancho en una tubería estrecha; el agua (la señal de datos) se distorsiona, salpica y se retrasa.

La forma antigua: La plantilla rígida

Tradicionalmente, los ingenieros utilizan un "Filtro Acoplado" (Matched Filter) para capturar estas señales. Piensa en este filtro como un cortador de galletas.

El problema: El cortador de galletas está diseñado para una galleta redonda y perfecta. Pero si la masa (la señal) se aplasta y se estira por la tubería estrecha (el límite de ancho de banda), el cortador de galletas redondo ya no encaja. Corta los bordes o pierde el centro, lo que resulta en una galleta desastrosa (datos malos).
La limitación: No puedes simplemente cambiar el cortador por uno de diferente forma cada vez que sopla el viento, porque eso sería demasiado lento y complicado. Por lo tanto, los ingenieros suelen aceptar la galleta desastrosa o intentar arreglarla después de haber sido cortada, lo cual suele ser demasiado tarde.

La nueva solución: El cortador de galletas "inteligente y elástico"

Este artículo propone un nuevo sistema llamado Filtro Acoplado Deformable (DMF) impulsado por Aprendizaje Automático (Machine Learning).

En lugar de usar un cortador de galletas rígido e inalterable, imagina un cortador de galletas hecho de un caucho inteligente y elástico.

Los "sentidos" (Características): Antes de que el cortador toque la masa, un pequeño equipo de sensores (la red neuronal) observa la masa. No miran todo el montón desordenado; revisan 16 pistas específicas, como "¿qué tan irregular es la superficie?" o "¿qué tan ancho es el despliegue?". Estas son las características de la señal.
El "cerebro" (Red Neuronal): Un cerebro de computadora pequeño y rápido observa esas 16 pistas e instantáneamente dice: "Bien, la masa está aplastada hacia la izquierda, así que necesito estirar el lado izquierdo del cortador y encoger el derecho".
La "acción" (Corrección Residual): El sistema no desecha el cortador de galletas perfecto original. En su lugar, calcula un pequeño ajuste (un "residuo") a la forma del cortador. Es como tomar el cortador perfecto y doblarlo suavemente lo justo para que encaje con el desastre actual.
El resultado: El cortador se ajusta perfectamente a la señal distorsionada, extrayendo los datos de forma limpia sin el borroneo.

Cómo lo probaron

Los investigadores construyeron un laboratorio de prueba real sobre una mesa.

La configuración: Utilizaron un láser para enviar luz a través de un espacio de 20 centímetros (unas 8 pulgadas).
El desafío: Hicieron la conexión "mala" artificialmente utilizando filtros digitales para simular una tubería muy estrecha (límites de ancho de banda severos).
La comparación: Compararon su "Cortador Inteligente y Elástico" contra el antiguo "Cortador Rígido".

Qué encontraron

Cuando la señal está muy distorsionada: El viejo cortador rígido falló estrepitosamente, produciendo una "galleta desastrosa" (error alto). El cortador inteligente, sin embargo, se dobló para adaptarse a la distorsión y mantuvo los datos limpios. Mejoró el rendimiento en más de un 40% en las peores condiciones.
Cuando la señal es buena: Si la conexión era clara y el ancho de banda no era un problema, el cortador inteligente se dio cuenta de que: "Oye, no necesito doblarme". Se mantuvo casi exactamente igual que el cortador rígido original. Esto es importante porque significa que el nuevo sistema no rompe las cosas cuando ya están funcionando bien.
Velocidad: El sistema aprende y se ajusta tan rápido que no ralentiza la transmisión de datos.

Por qué esto es importante

El artículo demuestra que no es necesario reemplazar todo el sistema de comunicación con un programa de computadora complejo y de "caja negra". En su lugar, puedes mantener la matemática confiable y probada del sistema antiguo y simplemente añadir un "ayudante inteligente" que realice pequeños ajustes necesarios sobre la marcha.

En resumen: Enseñaron a una computadora a doblar suavemente un filtro de datos estándar para que encaje perfectamente, incluso cuando la señal de luz se distorsiona por un canal estrecho, logrando una comunicación mucho más clara sin necesidad de ralentizar o cambiar todo el sistema.

Resumen Técnico: Filtros Acoplados Deformables Habilitados por ML para la Compensación del Límite de Banda en Óptica de Espacio Libre

Planteamiento del Problema
La modulación de amplitud y fase sin portadora (CAP) es una solución de eficiencia espectral para sistemas de comunicación óptica con ancho de banda limitado. Sin embargo, su rendimiento es altamente sensible a las distorsiones de la forma de pulso causadas por limitaciones de ancho de banda, turbulencia atmosférica e impedimentos de hardware (p. ej., saturación del fotodetector). Los receptores CAP tradicionales dependen de filtros acoplados (CMF) analíticos derivados de forma fija, diseñados para canales ideales. En la práctica, las limitaciones de ancho de banda provocan variaciones rápidas en las estadísticas de la señal, lo que genera un desajuste entre el filtro nominal y la estructura del receptor óptima. Aunque existen técnicas de ecualización adaptativa, estas suelen requerir secuencias de entrenamiento que consumen ancho de banda, reentrenamientos frecuentes o funcionan al nivel de símbolo, donde no pueden compensar directamente las distorsiones de la forma de pulso que ocurren antes del muestreo. Además, los enfoques de aprendizaje automático (ML) existentes para receptores ópticos suelen operar sobre formas de onda o secuencias de símbolos de alta dimensión, careciendo a menudo de interpretabilidad física y requiriendo recursos computacionales sustancials.

Metodología
El artículo propone un marco de Filtrado Acoplado Deformable (DMF) Asistido por Redes Neuronales. En lugar de reemplazar el filtro acoplado CMF derivado analíticamente con un modelo de "caja negra", el receptor propuesto aprende una deformación residual del filtro nominal.

Extracción de Características: El sistema extrae un conjunto compacto de 1 bit de 16 características de señal motivadas físicamente de la forma de onda recibida. Estas características se promedian a través de cuatro segmentos temporales para garantizar la robustez. Se categorizan en:
1. Estadísticas en el dominio del tiempo: RMS de amplitud, varianza, asimetría (skewness), curtosis excedente y envolvente media.
2. Características en el dominio de la frecuencia: Dispersión espectral, roll-off, planitud, entropía y ancho de banda de 3 dB.
3. Métricas de calidad de la señal: Relación pico a promedio de potencia (PAPR), potencia de pico, autocorrelación en retardos específicos y factor de cresta de la envolvente.
Arquitectura de la Red Neuronal: Una red neuronal totalmente conectada ligera (dos capas: 16 → 256 → 384 neuronas) mapea el vector de características de 16 dimensiones a términos de corrección de filtro de valor complejo ( $\Delta h$ ). La red predice correcciones residuales a los coeficientes del filtro base en lugar de aprender los filtros desde cero.
Adaptación del Filtro: Los filtros deformables finales se obtienen añadiendo las correcciones predichas a los filtros derivados analíticamente de tiempo invertido. Los filtros resultantes se normalizan en energía antes de su aplicación.
Entrenamiento: La red se entrena de extremo a extremo utilizando una configuración de hardware en el bucle (HITL). La función de pérdida es una combinación ponderada de la Magnitud del Vector de Error (EVM) y penalizaciones de regularización de suavidad (primer y segundo orden) para asegurar coeficientes de filtro físicamente realizables y no oscilatorios. El entrenamiento utiliza la generación de datos en línea con variación sistemática del ancho de banda, evitando conjuntos de entrenamiento fijos para prevenir el sobreajuste a patrones de símbolos específicos.

Configuración Experimental
La validación se realizó utilizando un sistema de transmisión CAP operando a 850 nm sobre un enlace óptico de espacio libre de 200 mm. El sistema utilizó una placa Xilinx Zynq ZCU102 con un ADI FMC-DAQ3 para la conversión DAC/ADC. La limitación de ancho de banda se emuló en el dominio digital mediante un filtro FIR de 101 toques con frecuencias de corte normalizadas ( $\omega_n$ ) que oscilaron entre 0.5 y 0.9. El sistema probó formatos de modulación 4-QAM y 16-QAM a través de potencias ópticas recibidas de -25 dBm a +5 dBm.

Resultados Clave

Rendimiento bajo Restricciones Severas: Bajo una limitación de ancho de banda severa ( $\omega_n = 0.5$ ), el filtro acoplado convencional (CMF) exhibió valores de EVM superiores al 50%, haciendo que la demodulación fuera inviable. El DMF propuesto redujo el EVM a menos del 30% bajo las mismas condiciones, lo que representa una mejora de rendimiento relativa de más del 40%.
Régimen Intermedio: En la región de transición ( $\omega_n \in [0.65, 0.75]$ ), el DMF proporcionó mejoras consistentes de EVM del 5 al 15% respecto al CMF.
Degradación Graciosa: A medida que las restricciones de ancho de banda se relajaban ( $\omega_n \ge 0.85$ ), el rendimiento del DMF convergía con el del CMF. La red neuronal aprendió términos de corrección cercanos a cero, actuando efectivamente como el filtro analíticamente óptimo, evitando así la degradación del rendimiento en condiciones favorables.
Comparación con Ecualizadores:
- Un ecualizador lineal LMS de 192 toques que opera a la tasa de símbolo no proporcionó ninguna mejora medible sobre el CMF, confirmando que la distorsión de la forma de pulso se pierde irreversiblemente tras la decimación.
- Un post-ecualizador MLP que opera a la tasa de símbolo igualó o fue superado por el DMF en el régimen dominado por la Interferencia Entre Símbolos (ISI) (límites de ancho de banda moderados o severos). Aunque el MLP mostró ventajas marginales en regímenes dominados por el ruido, el DMF ofrece una relación complejidad-rendimiento superior al operar pre-decimación sin requerir símbolos piloto o reentrenamiento periódico.
Generalización: El DMF demostró robustez a través de diferentes formatos de modulación (4-QAM y 16-QAM) y mostró capacidad de generalización cuando un modelo entrenado en 16-QAM se aplicó a 4-QAM sin reentrenamiento.

Significancia y Reivindicaciones
El artículo afirma que el marco DMF propuesto logra cerrar la brecha entre la teoría de la comunicación clásica y la optimización basada en datos. Su principal significancia radica en:

Estrategia Híbrida: Combina la fiabilidad e interpretabilidad de los filtros acoplados derivados analíticamente con la adaptabilidad del aprendizaje automático al aprender correcciones residuales en lugar de reemplazar toda la estructura del receptor.
Intervención Pre-Decimación: Al adaptar el propio filtro acoplado antes del muestreo a la tasa de símbolo, el método compensa las distorsiones de la forma de pulso que los ecualizadores a tasa de símbolo no pueden recuperar.
Eficiencia e Interpretabilidad: El uso de un conjunto de características compactas e informadas por la física permite una arquitectura de red neuronal pequeña (102,528 parámetros) que asegura una convergencia rápida y mantiene la interpretabilidad física, a diferencia de los modelos de aprendizaje profundo de alta dimensión basados en formas de onda.
Robustez: El sistema demuestra ganancias de rendimiento significativas bajo restricciones severas de ancho de banda, mientras que degrada de forma graciosa hacia el rendimiento convencional cuando las condiciones son favorables, eliminando el riesgo de inestabilidad inducida por ML.

Los autores concluyen que este enfoque ofrece una solución práctica, libre de pilotos y adaptativa por bloques para enlaces ópticos con ancho de banda limitado, particularmente en escenarios donde la ISI es el impedimento dominante. Se identifica como trabajo futuro la investigación de impedimentos atmosféricos (turbulencia, centelleo) y la comparación del DMF contra ecualizadores de espaciado fraccionario y cadenas completas de DSP.