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

Resumen Técnico: Análisis de la deriva de polarización de señales ópticas en conexiones de fibra aéreas-subterráneas desplegadas

Planteamiento del problema
La deriva de polarización sigue siendo un desafío crítico para la infraestructura de fibra desplegada utilizada en comunicaciones cuánticas, donde se requiere una estabilización de polarización precisa de subsegundo para mantener un alto rendimiento y fidelidad del entrelazamiento. A diferencia de los sistemas clásicos multitera que utilizan fibras de mantenimiento de polarización y procesamiento digital de señales para mitigar la deriva, las redes cuánticas que operan sobre infraestructura desplegada estándar enfrentan variaciones de polarización altamente estocásticas y no estacionarias. Estas derivas son impulsadas por factores ambientales —específicamente temperatura, humedad y velocidad del viento— que inducen la modulación del índice de refracción y efectos fotoelásticos, lo que conduce a una birrefringencia espacialmente desigual y rotaciones del Estado de Polarización (SOP). Mientras que estudios previos han caracterizado la deriva en fibras exclusivamente aéreas o enterradas, existe una falta de análisis a largo plazo en conexiones híbridas aéreas-subterráneas que abarquen múltiples estaciones, particularmente en lo que respecta a la estimación de las características de la deriva utilizando mediciones ambientales en lugar de solo la predicción.

Metodología
Los autores realizaron un estudio de 11 meses (diciembre de 2024 a noviembre de 2025) en una conexión de fibra híbrida aérea-subterránea de 15 km en el Laboratorio Nacional Oak Ridge.

• Recopilación de datos: Se transmitió una señal polarizada de onda continua de 1550 nm a través de la fibra. Se recolectaron continuamente mediciones de Stokes en base lineal (horizontal-vertical). Los datos fueron procesados mediante un dispositivo de caracterización de señal multi-FFT, generando Transformadas Rápidas de Fourier (FFT) cada 45 minutos con una resolución de mHz (bins de 0.37-mHz).
• Extracción de características: A partir de las FFT (específicamente el conjunto de datos $Y_{Hz}$ que abarca de 0 a 0.76 Hz), se extrajeron características espectrales globales: área espectral ($Y_{Area}$), centroide espectral ($Y_{sp,cen}$), varianza espectral ($Y_{sp,var}$), entropía espectral ($Y_{sp,ent}$) y el exponente $\beta$ de la tendencia $f^{-\beta}$.
• Entradas ambientales: Se recopilaron datos meteorológicos (temperatura, humedad relativa, velocidad del viento) a intervalos de 2 minutos desde una estación local. Las características de entrada incluyeron valores actuales, cambios en intervalos de 45 minutos ($\Delta$) y hora del día.
• Marco teórico: Se desarrolló un modelo teórico basado en ecuaciones diferenciales estocásticas y operadores de rotación $SO(3)$ para describir la deriva del SOP como un producto de rotaciones unitarias impulsadas por variables ambientales. Este modelo informó el enfoque de aprendizaje automático al resaltar la naturaleza de ruido multiplicativo no lineal y la respuesta térmica retardada de las capas de la fibra.
• Aprendizaje Automático: Se emplearon regresores de Bosque Aleatorio (Random Forest) para estimar las características espectrales ($Y$) como funciones de los historiales ambientales ($X$). El estudio comparó entradas sin retardo frente a entradas con retardo (historial de 1 día con espaciamiento de 4 horas) para dar cuenta del tiempo de equilibración térmica de la fibra y los materiales externos (por ejemplo, hielo, suciedad). El rendimiento se evaluó mediante el Error Logarítmico de la Raíz Cuadrada Media (RMSLE) contra estimadores de referencia (solo hora del día y combinaciones de media móvil).

Contribuciones clave y resultados

1. Caracterización diurna y estacional: El análisis reveló fuertes estructuras diurnas en el área espectral ($Y_{Area}$), con máximos diurnos alineados con los picos de temperatura y velocidad del viento y los descensos de humedad. Los niveles nocturnos fueron consistentemente más bajos. La estacionalidad fue pronunciada, con valores medios y de varianza más altos en verano en comparación con el invierno.
2. Propiedades espectrales: Las características de la FFT indicaron un fuerte ruido multiplicativo, con la señal concentrada dentro del 5.1% de la ventana de 0.76 Hz. El exponente $\beta$ rondó el 1.0 (ruido de parpadeo o flicker noise), mostrando descensos más frecuentes en invierno, probablemente debido a fenómenos inducidos por el viento como el galope (galloping) en fibras recubiertas de hielo.
3. Dependencias ambientales:
   • Hora del día y Temperatura: Mostraron la dependencia más fuerte con el área espectral.
   • Velocidad del viento: Mostró la dependencia más fuerte con el centroide espectral y el exponente $\beta$, particularmente en invierno.
   • Heterocedasticidad: La varianza del área espectral fue no estacionaria, aumentando con la temperatura estacional, lo que respalda el modelo teórico de que las temperaturas más altas hacen que las fibras sean más vulnerables a los cambios de birrefringencia inducidos por el estrés.
4. Rendimiento del Aprendizaje Automático:
   • Los estimadores de Bosque Aleatorio lograron una pequeña brecha general (<2% de error relativo) entre los conjuntos de datos de prueba y entrenamiento bajo RMSLE.
   • La inclusión de datos ambientales con retardo (historial de 24 horas con espaciamiento de 4 horas) mejoró la estimación, particularmente para los valles nocturnos, al dar cuenta de la respuesta térmica retardada de la fibra.
   • Los estimadores capturaron con éxito los ciclos diurnos y las tendencias estacionales, pero tuvieron dificultades para predecir las amplitudes exactas de las características de sub-pico agudas, que probablemente son impulsadas por ruido intrínseco o dependencias ambientales de alta frecuencia no modeladas.
   • Los modelos de referencia que utilizaban solo datos de la hora del día funcionaron deficientemente en invierno, confirmando que las variables ambientales son necesarias para una estimación precisa a través de las estaciones.

Significancia y afirmaciones
El artículo afirma proporcionar una caracterización exhaustiva de la deriva de polarización sobre fibras híbridas aéreas-subterráneas, cerrando la brecha entre los modelos teóricos y la estimación empírica mediante aprendizaje automático. La principal significancia radica en demostrar que las mediciones ambientales pueden utilizarse para estimar la componente determinante de las características de la deriva de polarización con alta confiabilidad (<2% de error relativo entre entrenamiento y prueba), a pesar del alto ruido y la no estacionariedad de la señal.

Los autores sostienen que su marco permite la "predicción consciente del clima" de las características de la deriva del SOP. Esta capacidad se presenta como una herramienta para el monitoreo y control del estado del enlace en redes cuánticas, permitiendo potencialmente la programación proactiva, el enrutamiento y la optimización de los parámetros de control de polarización (por ejemplo, el ajuste de PID) basados en la telemetría ambiental. El estudio enfatiza que, si bien la predicción absoluta de toda la señal es difícil debido al ruido, estimar la esperanza de las características dependientes del clima es un enfoque viable y valioso para mantener la estabilidad de la red. El trabajo no pretende eliminar la necesidad de una compensación de polarización activa, sino que sugiere que la estimación ambiental puede mejorar la eficiencia y robustez de dichos sistemas.