🔬 optics

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

यह शोध पत्र 15 किलोमीटर के हाइब्रिड हवाई-भूमिगत फाइबर लिंक से प्राप्त 11 महीनों के पोलराइजेशन ड्रिफ्ट डेटा का विश्लेषण करता है, जो स्पेक्ट्रल विशेषताओं और तापमान, आर्द्रता एवं हवा की गति जैसे पर्यावरणीय कारकों के बीच मजबूत दैनिक और मौसमी सहसंबंधों को प्रकट करता है, जिन्हें सैद्धांतिक सिद्धांतों से सूचित एक रैंडम फॉरेस्ट रि्रेसर का उपयोग करके मॉडल किया गया है।

मूल लेखक: Aneesh Ramaswamy, Nageswara S. V. Rao, Joseph C. Chapman, Muneer Alshowkan

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aneesh Ramaswamy, Nageswara S. V. Rao, Joseph C. Chapman, Muneer Alshowkan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: हवा में डोलती एक अस्थिर डोरी

कल्पना कीजिए कि आपके पास एक बहुत लंबी, अदृश्य डोरी (फाइबर ऑप्टिक केबल) है जो ग्रामीण इलाकों में 15 किलोमीटर तक फैली हुई है। इस डोरी के कुछ हिस्से ज़मीन के नीचे दबे हुए हैं, जबकि कुछ हिस्से खंभों पर हवा में लटके हुए हैं। आप जानकारी ले जाने के लिए इस डोरी के माध्यम से प्रकाश की एक किरण (जैसे लेज़र पॉइंटर) भेज रहे हैं।

समस्या यह है कि यह डोरी पूरी तरह स्थिर नहीं है। मौसम के कारण यह लगातार हिलती, मुड़ती और लहराती रहती है। जब डोरी हिलती है, तो इसके माध्यम से यात्रा करने वाला प्रकाश भी "मुड़" (twist) जाता है। हाई-टेक संचार की दुनिया में (विशेष रूप से क्वांटम नेटवर्क के लिए), यह मुड़ाव एक बड़ी समस्या है क्योंकि यह संदेश को गड़बबड़ कर देता है।

यह शोध पत्र इस बात का 11 महीने का अध्ययन है कि प्रकाश कितना मुड़ा है, और शोधकर्ता यह पता लगाना चाहते थे कि क्या वे मौसम की रिपोर्ट देखकर इस मुड़ाव का पूर्वानुमान लगा सकते हैं।

प्रयोग: प्रकाश के नृत्य को देखना

शोधकर्ताओं ने इस मिश्रित (ज़मीन के नीचे और हवा में) केबल से गुजरने वाले प्रकाश बीम को देखने के लिए एक कैमरा लगाया। उन्होंने केवल प्रकाश को देखा ही नहीं; उन्होंने एक गणितीय उपकरण जिसे फास्ट-फूरियर-ट्रांसफॉर्म (FFT) कहा जाता है, का उपयोग करके इसके "नृत्य के कदमों" का विश्लेषण किया।

FFT को एक संगीत विश्लेषक (music analyzer) की तरह समझें। यदि आप एक गाना बजाते हैं, तो विश्लेषक इसे कम बेस नोट्स, मध्यम स्वर (vocals) और ऊँची आवाज़ वाली सीटी में विभाजित करता है।

"बेस" (कम आवृत्तियाँ/Low Frequencies): शोधकर्ताओं ने पाया कि प्रकाश मुख्य रूप से धीमी, कम आवृत्ति वाले पैटर्न में हिलता था (जैसे ड्रम की धीमी थाप)।
"शोर" (Noise): सिग्नल बहुत अव्यवस्थित था, जैसे बहुत अधिक स्टैटिक (static) वाला कोई गाना।

उन्होंने इस "नृत्य" की विशिष्ट विशेषताओं को मापा, जैसे:

स्पेक्ट्रल एरिया (Spectral Area): लहरों में कुल कितनी ऊर्जा थी (नृत्य कितना तेज़ या ज़ोरदार था)।
स्पेक्ट्रल सेंट्रॉइड (Spectral Centroid): लहरों का "केंद्र" कहाँ था (क्या नृत्य तेज़ था या धीमा?)।
बीटा-एक्सपोनेंट (Beta-exponent): एक संख्या जो शोर की बनावट का वर्णन करती है (क्या यह स्मूथ स्टैटिक है या ऊबड़-खाबड़ स्टैटिक?)।

मौसम से संबंध: सूरज और हवा

शोधकर्ताओं ने अपने प्रकाश के डेटा की स्थानीय मौसम डेटा (तापमान, आर्द्रता और हवा की गति) के साथ तुलना की। उन्हें कुछ बहुत स्पष्ट पैटर्न मिले:

दिन/रात का चक्र: प्रकाश दिन के दौरान सबसे अधिक हिलता था और रात में शांत हो जाता था।
- उदाहरण: एक ट्रैम्पोलिन की कल्पना करें। दिन के दौरान, सूरज उसे गर्म करता है, और हवा उस पर चलती है, जिससे वह बेतहाशा उछलता है। रात में, यह ठंडा हो जाता है और शांत हो जाता है।
- शोधकर्ताओं ने देखा कि भले ही दोपहर के 2 बजे और रात के 2 बजे तापमान समान हो, लेकिन प्रकाश का व्यवहार अलग होता है। ऐसा इसलिए है क्योंकि दिन के दौरान, सूरज केबल को सीधे गर्म करता है (रेडिएटिव हीटिंग), जिससे वह तेज़ी से फैलता और सिकुड़ता है। रात में, यह बस धीरे-धीरे ठंडा होता है। यह तीव्र हीटिंग अधिक "मुड़ाव" पैदा करती है।
मौसम (सीज़न): सर्दियों की तुलना में गर्मियों में लहरें अधिक अनियंत्रित और अनुमान लगाने योग्य थीं।
हवा: हवा एक बड़ा कारण थी। सर्दियों में, तेज़ हवाओं के कारण केबल "गैलपिंग" (एक विशिष्ट प्रकार का भारी, कम आवृत्ति वाला डोलना जो बर्फ के कारण होता है) करने लगे, जिससे प्रकाश में बड़े और धीमे उतार-चढ़ाव पैदा हुए।

समाधान: कंप्यूटर को अंदाज़ा लगाना सिखाना

चूंकि मौसम और प्रकाश के मुड़ाव के बीच का संबंध जटिल और नॉन-लीनियर (non-linear) है (यह केवल एक साधारण नियम नहीं है कि "यदि हवा बढ़ेगी, तो प्रकाश भी बढ़ेगा"), इसलिए शोधकर्ताओं ने मशीन लर्निंग का उपयोग किया।

उन्होंने रैंडम फॉरेस्ट रिग्रेसर (Random Forest Regressor) नामक एक विशिष्ट प्रकार के AI का उपयोग किया।

उदाहरण: कल्पना कीजिए कि आपके पास 1,000 अलग-अलग विशेषज्ञों की एक समिति है। प्रत्येक विशेषज्ञ मौसम के डेटा (तापमान, हवा, दिन का समय) को देखता है और इस बारे में एक अंदाज़ा लगाता है कि प्रकाश कितना हिलेगा। कंप्यूटर अंतिम भविष्यवाणी करने के लिए उन 1,000 अंदाज़ों का औसत लेता है।

उन्होंने क्या पाया:

AI ने अच्छा काम किया: कंप्यूटर प्रकाश के लहरों के "औसत" व्यवहार की बहुत उच्च सटीकता (2% से कम त्रुटि) के साथ भविष्यवाणी कर सकता था।
इतिहास मायने रखता है: AI तब सबसे अच्छा काम करता था जब इसे वर्तमान क्षण के बजाय पिछले 24 घंटों के मौसम को देखने की अनुमति दी जाती थी।
- क्यों? केबल मोटा होता है और मिट्टी, बर्फ या प्लास्टिक से ढका होता है। गर्मी या ठंड को बाहरी परत से अंदर के कांच के रेशे (fiber) तक पहुँचने में समय लगता है। AI ने इस "देरी" (delay) को समझना सीख लिया।
यह स्पाइक्स (Spikes) की भविष्यवाणी नहीं कर सका: हालांकि AI सामान्य रुझान (औसत लहरों) की भविष्यवाणी करने में बहुत अच्छा था, लेकिन यह प्रकाश की गति में अचानक आने वाले तीव्र उछाल (spikes) की भविष्यवाणी नहीं कर सका। ये स्पाइक्स हवा के अचानक झोंकों की तरह होते हैं जो AI द्वारा पकड़े जाने की गति से भी तेज़ होते हैं।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि हालांकि हम प्रकाश की हर छोटी थरथराहट की सटीक भविष्यवाणी नहीं कर सकते, लेकिन हम मौसम के आधार पर केबल के सामान्य "मिजाज" की विश्वसनीय रूप से भविष्यवाणी कर सकते हैं।

दिन का समय, तापमान और हवा की गति जानकर, एक कंप्यूटर अनुमान लगा सकता है कि प्रकाश कितना मुड़ेगा। यह भविष्य के क्वांटम नेटवर्क के लिए एक महत्वपूर्ण कदम है, जहाँ इंजीनियरों को यह जानने की आवश्यकता होती है कि क्या "डोरी" बहुत अधिक डोलने वाली है ताकि वे अपने संदेश को स्पष्ट रखने के लिए अपने उपकरणों को समायोजित कर सकें।

संक्षेप में: शोधकर्ताओं ने सिद्ध किया कि मौसम फाइबर ऑप्टिक केबलों को नचाता है, और उन्होंने एक स्मार्ट कंप्यूटर प्रोग्राम बनाया है जो मौसम के पूर्वानुमान को देख सकता है और अंदाज़ा लगा सकता है कि वह नृत्य कितना उग्र होने वाला है।

तकनीकी सारांश: तैनात हवाई-भूमिगत फाइबर कनेक्शनों पर ऑप्टिकल संकेतों के ध्रुवीकरण बहाव (Polarization Drift) का विश्लेषण

समस्या विवरण
ध्रुवीकरण बहाव (Polarization drift) क्वांटम संचार में उपयोग किए जाने वाले तैनात फाइबर इंफ्रास्ट्रक्चर के लिए एक महत्वपूर्ण चुनौती बना हुआ है, जहाँ उच्च एंटैंगलमेंट थ्रूपुट और फिडेलिटी बनाए रखने के लिए सटीक सब-सेकंड ध्रुवीकरण स्थिरीकरण की आवश्यकता होती है। क्लासिकल मल्टी-टेराबिट सिस्टम के विपरीत, जो ध्रुवीकरण बहाव को कम करने के लिए पोलराइजेशन-मेंटेनिंग फाइबर्स और डिजिटल सिग्नल प्रोसेसिंग का उपयोग करते हैं, क्वांटम नेटवर्क मानक तैनात इंफ्रास्ट्रक्चर पर अत्यधिक स्टोकेस्टिक (stochastic) और नॉन-स्टेशनरी ध्रुवीकरण विविधताओं का सामना करते हैं। ये बहाव पर्यावरणीय कारकों—विशेष रूप से तापमान, आर्द्रता और हवा की गति—द्वारा संचालित होते हैं, जो अपवर्तनांक मॉड्यूलेशन (refractive-index modulation) और फोटोइलास्टिक प्रभावों को प्रेरित करते हैं, जिससे स्थानिक रूप से असमान बायरिफ्रिंजेंस (birefringence) और स्टेट ऑफ पोलराइजेशन (SOP) रोटेशन होता है। जबकि पिछले अध्ययनों ने विशेष रूप से हवाई या दबे हुए फाइबर में बहाव का लक्षण वर्णन किया है, कई मौसमों तक फैले हाइब्रिड हवाई-भूमिगत कनेक्शनों पर दीर्घकालिक विश्लेषण की कमी है, विशेष रूप से केवल पूर्वानुमान के बजाय पर्यावरणीय मापों का उपयोग करके बहाव विशेषताओं के अनुमान के संबंध में।

कार्यप्रणाली
लेखकों ने ओक रिज नेशनल लेबोरेटरी में 15 किमी के हाइब्रिड हवाई-भूमिगत फाइबर कनेक्शन पर 11 महीने का अध्ययन (दिसंबर 2024 से नवंबर 2025) किया।

डेटा संग्रह: एक निरंतर-तरंग (continuous-wave) 1550-nm ध्रुवीकृत संकेत को फाइबर के माध्यम से प्रसारित किया गया। लीनियर-बेसिस (हॉरिजॉन्टल-वर्टिकल) स्टोक्स माप निरंतर एकत्र किए गए। डेटा को एक मल्टी-FFT सिग्नल कैरेक्टराइजेशन डिवाइस का उपयोग करके प्रोसेस किया गया, जो 0.37-mHz बिन के साथ mHz रिज़ॉल्यूशन पर हर 45 मिनट में फास्ट-फूरियर-ट्रांसफॉर्म्स (FFTs) उत्पन्न करता है।
विशेषता निष्कर्षण (Feature Extraction): FFTs (विशेष रूप से 0 से 0.76 Hz तक का $Y_{Hz}$ डेटासेट) से वैश्विक स्पेक्ट्रल विशेषताएं निकाली गईं: स्पेक्ट्रल एरिया ( $Y_{Area}$ ), स्पेक्ट्रल सेंट्रॉइड ( $Y_{sp,cen}$ ), स्पेक्ट्रल वेरिएंस ( $Y_{sp,var}$ ), स्पेक्ट्रल एंट्रॉपी ( $Y_{sp,ent}$ ), और $f^{-\beta}$ ट्रेंड का $\beta$ -एक्सपोनेंट।
पर्यावरणीय इनपुट: स्थानीय स्टेशन से 2-मिनट के अंतराल पर मौसम संबंधी डेटा (तापमान, सापेक्ष आर्द्रता, हवा की गति) एकत्र किया गया। इनपुट फीचर्स में वर्तमान मान, 45-मिनट के अंतराल पर परिवर्तन ( $\Delta$ ), और दिन का समय शामिल थे।
सैद्धांतिक ढांचा: SOP ड्रिफ्ट को पर्यावरणीय चरों द्वारा संचालित यूनिटरी रोटेशन के उत्पाद के रूप में वर्णित करने के लिए स्टोकेस्टिक डिफरेंशियल इक्वेशंस और $SO(3)$ रोटेशन ऑपरेटर्स पर आधारित एक सैद्धांतिक मॉडल विकसित किया गया। इस मॉडल ने मशीन लर्निंग दृष्टिकोण को सूचित किया कि यह गैर-रेखीय, मल्टीप्लिकेटिव शोर की प्रकृति और फाइबर परतों की विलंबित थर्मल प्रतिक्रिया को उजागर करता है।
मशीन लर्निंग: पर्यावरणीय इतिहास ( $X$ ) के फलन के रूप में स्पेक्ट्रल फीचर्स ( $Y$ ) का अनुमान लगाने के लिए रैंडम फॉरेस्ट रिग्रेसर्स का उपयोग किया गया। अध्ययन ने फाइबर और बाहरी सामग्रियों (जैसे बर्फ, धूल) के थर्मल इक्विलिब्रिएशन समय को ध्यान में रखते हुए अनलैग्ड (unlagged) इनपुट बनाम लैग्ड इनपुट (4-घंटे का अंतराल, 1-दिवसीय इतिहास) की तुलना की। प्रदर्शन का मूल्यांकन बेसलाइन एस्टिमेटर्स (केवल समय-of-डे और मूविंग एवरेज संयोजन) के विरुद्ध रूट मीन स्क्वायर लॉगरिदमिक एरर (RMSLE) के आधार पर किया गया।

प्रमुख योगदान और परिणाम

दैनिक (Diurnal) और मौसमी लक्षण वर्णन: विश्लेषण ने स्पेक्ट्रल एरिया ( $Y_{Area}$ ) में मजबूत दैनिक संरचनाओं का खुलासा किया, जिसमें तापमान और हवा की गति के शिखर तथा आर्द्रता की गिरावट के साथ दिन के समय के अधिकतम मान संरेखित थे। रात के स्तर लगातार कम रहे। मौसमी प्रभाव स्पष्ट था, जिसमें सर्दियों की तुलना में गर्मियों में उच्च माध्य (mean) और वेरिएंस देखा गया।
स्पेक्ट्रल गुण: FFT विशेषताओं ने मजबूत मल्टीप्लिकेटिव शोर का संकेत दिया, जिसमें सिग्नल 0.76 Hz विंडो के 5.1% के भीतर केंद्रित था। $\beta$ -एक्सपोनेंट लगभग 1.0 (फ्लिकर नॉइज़) के आसपास रहा, जो सर्दियों में अधिक बार गिरावट दिखाता है, जो संभवतः बर्फ से ढके फाइबर में गैलपिंग (galloping) जैसी हवा-प्रेरित घटनाओं के कारण है।
पर्यावरणीय निर्भरता:
- दिन का समय और तापमान: स्पेक्ट्रल एरिया पर सबसे मजबूत निर्भरता दिखाई।
- हवा की गति: स्पेक्ट्रल सेंट्रॉइड और $\beta$ -एक्सपोनेंट पर सबसे मजबूत निर्भरता दिखाई, विशेष रूप से सर्दियों में।
- हेटरोस्केडास्टिसिटी (Heteroskedasticity): स्पेक्ट्रल एरिया का वेरिएंस नॉन-स्टेशनरी था, जो मौसमी तापमान के साथ बढ़ता गया, जो इस सैद्धांतिक मॉडल का समर्थन करता है कि उच्च तापमान फाइबर को तनाव-प्रेरित बायरिफ्रिंजेंस परिवर्तनों के प्रति अधिक संवेदनशील बनाता है।
मशीन लर्निंग प्रदर्शन:
- रैंडम फॉरेस्ट एस्टिमेटर्स ने RMSLE के तहत टेस्ट और ट्रेन डेटासेट के बीच एक छोटा समग्र अंतर (<2% सापेक्ष त्रुटि) प्राप्त किया।
- लैग्ड पर्यावरणीय डेटा (4-घंटे के अंतराल के साथ 24 घंटे का इतिहास) को शामिल करने से अनुमान में सुधार हुआ, विशेष रूप से रात के निम्नतम स्तरों (troughs) के लिए, जो फाइबर की विलंबित थर्मल प्रतिक्रिया को ध्यान में रखता है।
- एस्टिमेटर्स ने दैनिक चक्रों और मौसमी रुझानों को सफलतापूर्वक कैप्चर किया, लेकिन वे तीव्र सब-पीक फीचर्स के सटीक आयामों की भविष्यवाणी करने में संघर्ष करते हैं, जो संभवतः अंतर्निहित शोर या अनमॉडल की गई हाई-फ्रीक्वेंसी पर्यावरणीय निर्भरताओं द्वारा संचालित होते हैं।
- केवल 'टाइम-ऑफ-डे' डेटा का उपयोग करने वाले बेसलाइन मॉडल सर्दियों में खराब प्रदर्शन करते हैं, जो पुष्टि करता है कि मौसमों के बीच सटीक अनुमान के लिए पर्यावरणीय चर आवश्यक हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह हाइब्रिड हवाई-भूमिगत फाइबर पर ध्रुवीकरण बहाव की व्यापक विशेषता प्रदान करता है, जो सैद्धांतिक मॉडल और अनुभवजन्य मशीन लर्निंग अनुमान के बीच के अंतर को पाटता है। प्राथमिक महत्व यह प्रदर्शित करने में निहित है कि उच्च शोर और नॉन-स्टेशनैरिटी के बावजूद, पर्यावरणीय मापों का उपयोग करके ध्रुवीकरण बहाव फीचर्स के डिटरमिनिस्टिक घटक को उच्च विश्वसनीयता (<2% सापेक्ष त्रुटि) के साथ अनुमानित किया जा सकता है।

लेखक दावा करते हैं कि उनका ढांचा SOP-ड्रिफ्ट फीचर्स के "वेदर-अवेयर प्रेडिक्शन" (मौसम-जागरूक भविष्यवाणी) को सक्षम बनाता है। इस क्षमता को क्वांटम नेटवर्क में लिंक-स्टेट मॉनिटरिंग और कंट्रोल के लिए एक उपकरण के रूप में प्रस्तुत किया गया है, जो संभावित रूप से पर्यावरणीय टेलीमेट्री के आधार पर प्रोएक्टिव शेड्यूलिंग, रूटिंग और ध्रुवीकरण नियंत्रण मापदंडों (जैसे PID ट्यूनिंग) के अनुकूलन की अनुमति देता है। अध्ययन इस बात पर जोर देता है कि हालांकि पूरे सिग्नल की पूर्ण भविष्यवाणी करना कठिन है, लेकिन मौसम-निर्भर फीचर्स के एक्सपेक्टेशन (expectation) का अनुमान लगाना एक व्यवहार्य और मूल्यवान दृष्टिकोण है। यह कार्य सक्रिय ध्रुवीकरण क्षतिपूर्ति (active polarization compensation) की आवश्यकता को समाप्त करने का दावा नहीं करता है, बल्कि यह सुझाव देता है कि पर्यावरणीय अनुमान इन प्रणालियों की दक्षता और मजबूती को बढ़ा सकता है।

मुख्य विचार: हवा में डोलती एक अस्थिर डोरी

प्रयोग: प्रकाश के नृत्य को देखना

मौसम से संबंध: सूरज और हवा

समाधान: कंप्यूटर को अंदाज़ा लगाना सिखाना

निष्कर्ष

इसी तरह के और पेपर