AI-Assisted Supermode Tracking and Low-Complexity Equalization in Strongly Coupled Multicore Fiber Transmission Systems

हाई-स्पीड इंटरनेट की दुनिया एक सरल लेकिन शक्तिशाली विचार पर टिकी है: कांच के एक ही पतले धागे के माध्यम से अधिक डेटा भेजना। दशकों से, इंजीनियरों ने प्रकाश के अधिक रंगों को इसमें समाहित करके एक सिंगल फाइबर-ऑप्टिक केबल में कितनी जानकारी भेजी जा सकती है, इसकी सीमाओं को आगे बढ़ाया है। हालाँकि, इस दृष्टिकोण की एक भौतिक सीमा है। इस बाधा को तोड़ने के लिए, वैज्ञानिक अंतरिक्ष (स्पेस) का उपयोग कर रहे हैं, जिसे 'स्पेस-डिवीजन मल्टीप्लेक्सिंग' नामक तकनीक कहा जाता है। केवल प्रकाश के एक पथ के बजाय, वे ऐसे फाइबर का उपयोग कर रहे हैं जिनमें कई छोटे चैनल, या 'कोर्स' (cores), अगल-बगल चलते हैं। इनमें से कुछ उन्नत फाइबरों में, कोर्स एक-दूसरे के इतने करीब रखे जाते हैं कि एक कोर का प्रकाश स्वाभाविक रूप से अपने पड़ोसियों में रिसने लगता है। यह मजबूत जुड़ाव प्रकाश तरंगों को एक साथ एक एकल, एकीकृत पैटर्न के रूप में यात्रा करने के लिए मजबूर करता है, जिसे 'सुपरमोड' (supermode) कहा जाता है। जहाँ यह क्षमता को कई गुना बढ़ाने का एक तरीका प्रदान करता है, वहीं यह एक नई समस्या भी पैदा करता है: वातावरण। जिस तरह एक लंबी सड़क ट्रक के भार या सूरज की गर्मी से थोड़ी खिसक सकती है, ये फाइबर तापमान के उतार-चढ़ाव, मुड़ने या मरोड़ने के कारण थोड़ा आकार बदल लेते हैं। ये सूक्ष्म बदलाव प्रकाश तरंगों के आपस में मिलने के तरीके को बदल देते हैं, जिससे डेटा बिखर जाता है, जब तक कि रिसीवर लगातार नए पैटर्न को फिर से न सीख ले।

अब्दुल्ला गुल विश्वविद्यालय के एक शोधकर्ता ने इस बिखराव को संभालने का एक नया तरीका विकसित किया है, जिसमें आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग डेटा स्ट्रीम को स्पष्ट रखने के लिए किया जाता है ताकि कंप्यूटर सिस्टम पर अत्यधिक बोझ न पड़े। अपने कार्य में, उन्होंने इन 'स्ट्रॉन्गली कपल्ड' (strongly coupled) फाइबरों में व्यवस्था बनाए रखने की चुनौती का सामना किया, जहाँ प्रकाश का मार्ग लगातार बदलता रहता है। उन्होंने एक ऐसा रिसीवर प्रस्तावित किया जो भारी और धीमी गणनाओं के साथ होने वाली गड़बड़ी को ठीक करने की कोशिश नहीं करता है। इसके बजाय, यह एक कॉम्पैक्ट, स्मार्ट न्यूरल नेटवर्क का उपयोग करता है जो सटीक रूप से भविष्यवाणी करता है कि किसी भी क्षण प्रकाश कैसे मिश्रित हो रहा है। सिग्नल के वर्तमान पैटर्न के आकार को सीखकर, यह प्रणाली डेटा को त्रुटि सुधार (error correction) के भारी काम शुरू होने से पहले ही तुरंत उसके सही संरेखण में वापस घुमा सकती है। यह दृष्टिकोण सिस्टम को सिग्नल को साफ करने के लिए बहुत सरल फिल्टर का उपयोग करने की अनुमति देता है, जिससे यह संभव हो जाता है कि इन उच्च-क्षमता वाले फाइबरों को दर्जनों कोर्स तक विस्तारित किया जाए बिना आवश्यक प्रोसेसिंग पावर के अनियंत्रित रूप से बढ़ने के।

शोधकर्ता ने अपने विचार का परीक्षण विस्तृत कंप्यूटर सिमुलेशन के माध्यम से किया जो लंबी दूरियों पर वास्तविक दुनिया की स्थितियों की नकल करते हैं। उन्होंने छह कोर्स वाले एक फाइबर का मॉडल बनाया, जिसमें 16-QAM नामक एक जटिल प्रारूप में एनकोडेड डेटा भेजा गया, और सिग्नल को उस तरह के रैंडम झटकों और खिंचाव के अधीन किया गया जो वास्तविक केबलों में होता है। उन्होंने अपने नए AI-सहायता प्राप्त तरीके की तुलना दो पुराने दृष्टिकोणों से की। पहला एक स्थिर (static) तरीका था जिसने यह माना कि प्रकाश का पैटर्न कभी नहीं बदलता, जो फाइबर के बदलते ही विफल हो गया। दूसरा एक पारंपरिक तरीका था जिसने मिश्रण को ठीक करने के लिए शक्तिशाली, एडेप्टिव फिल्टर का उपयोग किया, लेकिन इसके लिए बहुत अधिक कंप्यूटिंग पावर की आवश्यकता थी जो अधिक कोर्स जोड़े जाने पर तेजी से (exponentially) बढ़ती गई। सिमुलेशन ने दिखाया कि नया AI-आधारित तरीका प्रकाश के बदलते पैटर्न को सफलतापूर्वक ट्रैक करने में सक्षम रहा। 1,500 किलोमीटर की दूरी पर, AI-सहायता प्राप्त रिसीवर ने स्थिर तरीके की तुलना में काफी कम त्रुटि दर हासिल की और भारी-भरकम पारंपरिक सिस्टम के प्रदर्शन के करीब पहुँच गया, जबकि इसमें जटिलता काफी कम थी।

यह खोज विशेष रूप से महत्वपूर्ण है क्योंकि यह प्रोसेसिंग के पीछे के गणित को कैसे बदल देती है। पारंपरिक दृष्टिकोण में, फाइबर में अधिक कोर्स जोड़ने का अर्थ था कि कंप्यूटर को बहुत अधिक अतिरिक्त काम करना पड़ता था, जिसका अर्थ था कि हर नए चैनल के साथ प्रयास दोगुना और फिर से दोगुना होता जाता था। इसके विपरीत, नया तरीका रैखिक (linearly) रूप से स्केल करता है। यह समस्या को पहले वर्तमान पैटर्न की पहचान करके और फिर सिग्नल के प्रत्येक भाग पर सरल, स्वतंत्र सुधार लागू करके हल करता है। इसका मतलब है कि जैसे-जैसे फाइबर सिस्टम बारह या चौबीस कोर्स तक बढ़ता है, नया तरीका कुशल बना रहता है, जबकि पुराना तरीका बहुत धीमा और महंगा हो जाएगा। यह अध्ययन पुष्टि करता है कि एक हल्के न्यूरल नेटवर्क का उपयोग करके प्रकाश के भौतिक व्यवहार को समझने से, इंजीनियर ऐसे रिसीवर बना सकते हैं जो पर्यावरणीय परिवर्तनों के प्रति मजबूत और गणनात्मक रूप से हल्के हों।

शोधकर्ता केवल सिद्धांत पर निर्भर नहीं रहे; उन्होंने एक पूर्ण सिमुलेशन फ्रेमवर्क बनाया जिसमें रैंडम डेटा का निर्माण, वास्तविक खामियों वाले फाइबर के माध्यम से प्रकाश का प्रसार और सिग्नल का अंतिम डिकोडिंग शामिल था। उन्होंने पाया कि AI नेटवर्क रिसीवर पर पहुँचने वाले अस्त-व्यस्त, मिश्रित संकेतों और उनके द्वारा दर्शाए गए स्वच्छ मूल पैटर्न के बीच के संबंध को सीख सकता है। एक बार जब नेटवर्क ने इस संबंध की पहचान कर ली, तो यह प्रभावी रूप से सिग्नल को सुलझा सकता था, जिससे बाकी सिस्टम बहुत छोटे और सरल फिल्टर के साथ काम कर सके। यह हाइब्रिड दृष्टिकोण, जो प्रकाश यात्रा के भौतिक ज्ञान को मशीन लर्निंग की पैटर्न-पहचान की शक्ति के साथ जोड़ता है, एक व्यावहारिक रास्ता प्रदान करता है। यह सुझाव देता है कि भविष्य के उच्च-क्षमता वाले नेटवर्क भौतिक दुनिया के अनिवार्य बदलावों को संभाल सकते हैं, बिना हर रिसीवर में असंभव रूप से बड़े सुपरकंप्यूटर लगाए। यह कार्य सिद्ध करता है कि स्ट्रॉन्गली कपल्ड फाइबर के लिए, विशाल क्षमता को अनलॉक करने की कुंजी 'ब्रूट फोर्स' (brute force) में नहीं, बल्कि प्रकाश की अपनी बदलती प्रकृति की स्मार्ट, एडेप्टिव ट्रैकिंग में निहित है।