AI-Driven Spatiotemporal Decoding of Counter-Propagating OAM States for Highly Resilient Physical-Layer Security

Resumen Técnico: Decodificación Espaciotemporal Impulsada por IA de Estados OAM Contra-propagantes

Planteamiento del Problema
Las redes de comunicación óptica convencionales se están acercando al límite de Shannon no lineal, enfrentando restricciones de capacidad y vulnerabilidades ante la interceptación física. Aunque la Multiplexación por División de Espacio (SDM) utilizando el Momento Angular Orbital (OAM) ofrece canales ortogonales teóricamente infinitos, su implementación práctica se ve obstaculizada por la dispersión modal, la diafonía intermodal y las distorsiones de fase. Estas distorsiones surgen de imperfecciones de fabricación en los Circuitos Integrados Fotónicos (PIC) y de la turbulencia atmosférica en la Óptica de Espacio Libre (FSO). Además, la dependencia de protocolos criptográficos algorítmicos deja la infraestructura expuesta a futuras amenazas de descifrado por computación cuántica. El desafío central es desarrollar una arquitectura de capa física que sea inherentemente segura y resiliente a severas imperfecciones de hardware y ruido sin depender de un hardware óptico complejo y propenso a errores para la ecualización de la señal.

Metodología: La Arquitectura OAM-NET
El artículo propone "OAM-NET", una red híbrida espaciotemporal diseñada para trasladar la carga de la ecualización de la señal del hardware óptico a redes neuronales definidas por software. La metodología se basa en tres componentes primarios:

1. Superposición de OAM Contra-propagante: En lugar de transmitir modos espaciales variables, el sistema utiliza la superposición coherente de cargas topológicas contra-propagantes de alto orden ($l = +21$ y $l = -21$). Esta interferencia crea un patrón de intensidad estable en forma de pétalos.
2. Codificación Doppler Rotacional: La información no se codifica en la forma espacial, sino en la velocidad de fase rotacional del patrón de interferencia, gobernada por el Efecto Doppler Rotacional. Las cargas de datos se mapean a una secuencia armónica específica de velocidades rotacionales: $v \in \{9, 6, 3\}$. La señal de interferencia temporal $I(t)$ se define por el desplazamiento de frecuencia resultante de la diferencia de carga topológica ($\Delta l = 42$), modelada como $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$, donde $\phi_{drift}$ da cuenta de la inestabilidad del hardware y $N(t)$ representa el ruido del canal.
3. Decodificación Impulsada por IA (Bi-LSTM): Para reconstruir los estados codificados bajo condiciones adversas, se emplea una red de Memoria a Largo Corto Plazo Bidireccional (Bi-LSTM). La arquitectura incluye:
   • Una capa de entrada para datos de interferencia espaciotemporales secuenciales.
   • Dos capas ocultas Bi-LSTM (64 y 32 unidades) con una regularización de dropout de 0.3 para prevenir el sobreajuste.
   • Una capa densa de salida con activación Softmax para la clasificación multiclase de las velocidades espirales.
     La estructura bidireccional permite al decodificador procesar datos de series temporales en ambas direcciones (hacia adelante y hacia atrás), capturando cambios de fase transitorios causados por la dispersión modal.

Contribuciones Clave

• Seguridad de Capa Física mediante Huellas Topológicas: El artículo introduce un mecanismo de seguridad donde los datos se mapean a secuencias armónicas únicas. La interceptación no autorizada resulta ineficaz porque, sin los pesos neuronales específicos entrenados del receptor Bi-LSTM, los patrones de interferencia de alta dimensión son matemáticamente indistinguibles del ruido de fondo.
• Ecualización Definida por Software: El trabajo demuestra que el aprendizaje profundo puede eludir matemáticamente los fallos del hardware físico (como la rugosidad de las paredes laterales de las guías de onda) y la turbulencia atmosférica extrema, eliminando la necesidad de hardware de corrección óptica complejo.
• Resiliencia al Ruido Extremo: La arquitectura está diseñada para funcionar bajo Relaciones Señal-Ruido (SNR) de aproximadamente 0 dB, donde la amplitud del ruido iguala o supera la de la señal.

Resultos
Simulaciones numéricas sometieron la arquitectura OAM-NET a pruebas de estrés extremas, simulando imperfecciones de hardware realistas y una severa turbulencia de FSO con ruido gaussiano enmascarando la señal original.

• Rendimiento de Entrenamiento: El modelo Bi-LSTM fue entrenado durante 25 épocas utilizando el optimizador Adam y pérdida de entropía cruzada categórica.
• Precisión de Decodificación: A pesar de la degradación extrema de la señal (SNR $\approx$ 0 dB), el decodificador logró una precisión estable del 92.67%.
• Tasas de Error: El modelo mantuvo una pérdida de validación mínima de 0.2333. La tasa de error de bits residual cayó completamente dentro del umbral corregible de los protocolos estándar de Corrección de Errores hacia Adelante (FEC).
• Conclusión de la Simulación: Los resultados confirman que el decodificador de IA puede aislar de manera confiable la huella topológica de la secuencia armónica del ruido destructivo del canal.

Significancia y Reivindicaciones
El artículo afirma establecer una base teórica y numérica para una infraestructura altamente resiliente y lista para la descentralización en Óptica de Espacio Libre y comunicación segura de capa física. Al decodificar con éxito señales físicas bajo condiciones de estrés extremo, el estudio sostiene que la combinación de estados OAM contra-propagantes de alta dimensión con ecualizadores espaciotemporales impulsados por IA ofrece una solución robusta a la dispersión modal. La significancia radica en demostrar que las limitaciones del hardware físico pueden superarse mediante el aprendizaje profundo, proporcionando un soporte matemático y escalable para las redes ópticas de próxima generación.