Low-complexity neural network equalization for long-haul coherent transmission with cascaded semiconductor optical amplifiers

Título: Ecualización de redes neuronales de baja complejidad para transmisión coherente de larga distancia con amplificadores ópticos semiconductores en cascada

1. Planteamiento del Problema

Los amplificadores ópticos semiconductores (SOA, por sus siglas en inglés) son atractivos para las comunicaciones por fibra óptica debido a su bajo costo, compacidad, integrabilidad y su capacidad para ofrecer un ancho de banda de amplificación ultra amplio (cubriendo las bandas O, E, S, C, L y U). Sin embargo, su implementación en enlaces de larga distancia y múltiples tramos enfrenta desafíos significativos:

• Distorsiones no lineales: Los SOA sufren de saturación de ganancia y tiempos de recuperación de portadores finos, lo que genera efectos de patrón (fluctuaciones de potencia símbolo a símbolo) y ruido de fase no lineal.
• Acumulación de impairments: En sistemas con cascadas de SOA (usados como amplificadores en línea), estas distorsiones se acumulan a lo largo de la fibra, degradando severamente el rendimiento en enlaces de larga distancia.
• Limitaciones de la DSP actual: Los métodos de compensación tradicionales o las redes neuronales complejas (como LSTM o CNN profundas) a menudo son demasiado costosos computacionalmente para su implementación en tiempo real en hardware (FPGA), especialmente en escenarios de alta velocidad.

El objetivo principal es desarrollar un método de ecualización que pueda compensar las distorsiones acumuladas de una cascada de SOAs manteniendo una complejidad lo suficientemente baja para ser implementada en tiempo real.

2. Metodología

Los autores realizaron una simulación numérica de un sistema de transmisión coherente de larga distancia con las siguientes características:

• Configuración del Sistema:
  • Señal: 16-QAM a 32 Gbaud, polarización simple.
  • Enlace: 16 tramos de fibra monomodo estándar (73 km cada uno).
  • Amplificación: Un SOA en línea después de cada tramo para compensar la pérdida de fibra.
  • Filtros: Filtros ópticos gaussianos después de cada SOA para suprimir el ruido ASE.
• Modelado:
  • Fibra: Resuelta mediante la ecuación de Schrödinger no lineal (NLSE) usando el método de paso dividido de Fourier.
  • SOA: Se utilizó un modelo dinámico simplificado (basado en una ecuación de tasa 1D) que captura la ganancia integrada, la saturación de potencia, el tiempo de vida del portador ($\tau_c$) y el factor de ensanchamiento de línea ($\alpha_H$). Los parámetros se ajustaron basándose en un dispositivo comercial (Thorlabs SOA1013S).
  • Ruido: Se inyectó ruido ASE en la entrada de cada SOA.
• Ecualización con Redes Neuronales (NN):
  • Se empleó un Perceptrón Multicapa (MLP) de baja complejidad.
  • Entrada: Una ventana de 33 símbolos complejos consecutivos (concatenando componentes I y Q).
  • Arquitectura: Una capa oculta con 128 neuronas (función de activación tanh) y dos salidas para predecir las componentes I y Q del símbolo central. Se probaron variantes (17-64 y 33-256) para validar la robustez.
  • Entrenamiento: Se utilizó TensorFlow 2.0 con una función de pérdida de error cuadrático medio (MSE), dividiendo los datos en 80% entrenamiento y 20% prueba.
  • Enfoque de complejidad: La arquitectura se mantuvo deliberadamente simple para ser compatible con implementaciones en FPGA en tiempo real, evitando arquitecturas recurrentes complejas (como LSTM) que son difíciles de implementar en línea.

3. Contribuciones Clave

• Validación de MLPs simples para SOA: Demostraron que redes neuronales simples y poco profundas (MLP de una capa oculta) son suficientes para compensar eficazmente las distorsiones no lineales acumuladas de una cascada de SOAs, eliminando la necesidad de arquitecturas recurrentes complejas.
• Análisis de la interacción Fibra-SOA: Cuantificaron cómo la dispersión cromática de la fibra afecta la capacidad de la NN para ecualizar las distorsiones del SOA.
• Viabilidad de implementación en tiempo real: Al mantener la complejidad de la NN similar a la de implementaciones FPGA reportadas en la literatura, el estudio sugiere fuertemente la viabilidad de despliegue en tiempo real para este tipo de sistemas.

4. Resultados Principales

Los resultados se evaluaron mediante la Tasa de Error de Bits (BER) en función de la potencia de lanzamiento y la dispersión ($\beta_2$):

• Compensación de Distorsiones Puras de SOA: En un escenario donde se eliminó la fibra (solo cascada de SOAs), la ecualización con NN redujo la BER en un factor de 57 veces, demostrando una capacidad casi perfecta para aprender y compensar las no linealidades deterministas del SOA.
• Escenario Completo (Fibra + SOA): En el sistema completo con 16 tramos de fibra, la NN logró una reducción de la BER de 3 veces. Esto indica que la interacción entre la no linealidad del SOA y la dispersión de la fibra limita la eficacia de la ecualización, pero aún ofrece una mejora significativa.
• Impacto de la Dispersión ($\beta_2$):
  • La dispersión introduce "memoria del canal", lo que dificulta la ecualización.
  • En la banda C (dispersión estándar, $\beta_2 \approx -21.7$ ps²/km), la mejora fue de 3x.
  • En la banda O (baja dispersión, $\beta_2 \to 0$), la mejora fue de 9 veces (y hasta 36x en sistemas solo con amplificadores lineales).
  • Conclusión crítica: La ecualización es mucho más efectiva cuando la dispersión es baja, ya que la NN no necesita compensar la memoria del canal inducida por la fibra, enfocándose puramente en las no linealidades del amplificador.
• Comparación con Amplificadores Lineales: Incluso al reemplazar los SOA por amplificadores lineales (sin no linealidad), la NN redujo la BER (3.5x en fibra, 36x en baja dispersión), lo que sugiere que la NN también compensa eficazmente las no linealidades de la fibra cuando la dispersión es baja.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Habilitador de SOAs en Larga Distancia: Proporciona una ruta viable para utilizar SOAs (más baratos y compactos que los EDFA) en enlaces de larga distancia y de banda ultra ancha, superando sus limitaciones de no linealidad mediante DSP avanzado.
• Eficiencia Computacional: Demuestra que no se necesitan redes neuronales profundas o recurrentes costosas para este fin; un MLP simple es suficiente, lo que es crucial para la implementación en hardware (FPGA) en receptores coherentes comerciales.
• Oportunidad en la Banda O: Destaca el potencial de los SOAs en la banda O (donde los EDFA no funcionan y la dispersión es baja), un mercado clave para interconexiones de centros de datos, donde la ecualización por NN puede ofrecer ganancias de rendimiento de un orden de magnitud.
• Reducción de Costos: Al permitir el uso de SOAs con DSP ligero, se reduce la complejidad del sistema de amplificación y el consumo energético, alineándose con las tendencias de sostenibilidad en las telecomunicaciones.

En resumen, el artículo demuestra que la combinación de amplificadores SOA en cascada con ecualizadores de redes neuronales de baja complejidad es una solución prometedora y realizable para la próxima generación de sistemas de transmisión coherente de alta capacidad y bajo costo.