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

Titolo: Equalizzazione di rete neurale a bassa complessità per trasmissioni coerenti a lunga distanza con amplificatori ottici a semiconduttore in cascata

1. Il Problema

Gli amplificatori ottici a semiconduttore (SOA) offrono vantaggi significativi per le comunicazioni in fibra ottica, tra cui costi ridotti, compattezza, integrabilità e una larghezza di banda di amplificazione molto ampia (tipicamente 30–80 nm), rendendoli candidati ideali per trasmissioni a banda ultra-larga e per interconnessioni nei data center nella banda O (dove gli amplificatori EDFA tradizionali sono inefficaci).

Tuttavia, l'uso degli SOA, specialmente in configurazioni a cascata per collegamenti a lunga distanza, è limitato da diverse imperfezioni:

• Distorsioni non lineari: Causate dalla saturazione del guadagno e dal tempo finito di recupero dei portatori, che generano effetti di "pattern" (fluttuazioni di potenza simbolo-su-simbolo) e rumore di fase non lineare.
• Rumore: Figure di rumore relativamente elevate.
• Accumulo di impairments: In sistemi a lunga distanza con molti span, le distorsioni si accumulano lungo la catena, degradando drasticamente le prestazioni del segnale.
• Complessità di compensazione: Le tecniche DSP tradizionali (come la retro-propagazione digitale) possono essere computazionalmente onerose. Sebbene le reti neurali (NN) abbiano dimostrato efficacia, le architetture complesse (es. LSTM, CNN profonde) sono difficili da implementare in tempo reale su hardware come FPGA.

L'obiettivo della ricerca è quindi compensare efficacemente le distorsioni accumulate in un sistema a lunga distanza con SOA in cascata, utilizzando equalizzatori basati su reti neurali che siano sufficientemente semplici da essere implementati in tempo reale.

2. Metodologia

Gli autori hanno condotto una simulazione numerica di un sistema di trasmissione coerente a lunga distanza con le seguenti caratteristiche:

• Configurazione del sistema: Trasmissione a singola polarizzazione e singolo canale con modulazione 16-QAM a 32 Gbaud. Il collegamento è composto da 16 span identici di fibra monomodale standard (73 km ciascuno), seguiti da un SOA inline che compensa la perdita di ogni span.
• Modellazione:
  • La propagazione in fibra è governata dall'equazione di Schrödinger non lineare (NLSE).
  • Il comportamento degli SOA è modellato tramite un'equazione di tasso dinamica 1D (modello semplificato ma efficace) che descrive la dinamica del guadagno e l'iniezione di rumore ASE (Amplified Spontaneous Emission). I parametri sono tarati su un dispositivo commerciale reale (Thorlabs SOA1013S).
• Equalizzatore Neurale:
  • È stato utilizzato un Multilayer Perceptron (MLP) a bassa complessità, progettato per essere realistico per l'implementazione su FPGA.
  • Architettura: La configurazione di base (33-128) utilizza una finestra di input di 33 simboli consecutivi, con un singolo strato nascosto di 128 neuroni (funzione di attivazione tanh) e due uscite per prevedere le componenti I e Q del simbolo centrale. Sono state testate anche varianti (17-64 e 33-256).
  • Addestramento: Addestrato con TensorFlow 2.0 su $10^6$ simboli, utilizzando la funzione di perdita MSE (Mean Squared Error).
• Scenario di test: Il sistema è stato valutato confrontando le prestazioni con e senza l'equalizzatore NN, variando la dispersione cromatica ($\beta_2$) per simulare diverse bande (C-band e O-band) e isolando gli effetti della fibra da quelli degli SOA.

3. Contributi Chiave

• Dimostrazione di fattibilità in tempo reale: Il lavoro valida che architetture di reti neurali semplici e "shallow" (pochi strati, pochi neuroni), simili a quelle già implementate su FPGA in letteratura, sono sufficienti per compensare le distorsioni complesse di una catena di SOA.
• Analisi dell'interazione Dispersione-Non linearità: Lo studio quantifica come la dispersione della fibra influenzi l'efficacia dell'equalizzazione neurale. Dimostra che la memoria del canale introdotta dalla dispersione è il principale fattore limitante per le prestazioni dell'NN.
• Compensazione selettiva: Il sistema dimostra la capacità di separare e compensare le distorsioni deterministiche degli SOA (saturazione del guadagno) anche in presenza di non linearità della fibra, purché la dispersione sia gestita o ridotta.

4. Risultati

I risultati delle simulazioni mostrano miglioramenti significativi nel Bit Error Rate (BER):

• Compensazione pura degli SOA: Quando la fibra è rimossa (sostituendo gli span con attenuatori), l'equalizzatore NN riduce il BER di un fattore 57x, dimostrando un'ottima capacità di compensare le distorsioni puramente indotte dagli SOA.
• Sistema completo (Fibra + SOA): Nel sistema completo a lunga distanza, l'NN riduce il BER di un fattore 3x. Questo indica che l'azione combinata della non linearità della fibra e degli SOA riduce il guadagno potenziale rispetto al caso isolato, ma il miglioramento è comunque sostanziale.
• Effetto della Dispersione (Banda O vs C):
  • Nel regime di bassa dispersione (simulazione della banda O, $\beta_2 \approx -1$ ps²/km), l'equalizzatore NN offre una riduzione del BER di 9x (rispetto a 3x nella banda C standard con $\beta_2 = -21.7$ ps²/km).
  • In assenza di dispersione e con amplificatori lineari, la riduzione del BER arriva fino a 36x.
• Confronto con amplificatori lineari: L'NN compensa efficacemente anche le non linearità della fibra quando gli SOA sono sostituiti da amplificatori lineari, confermando che la rete apprende sia le distorsioni degli amplificatori che quelle del mezzo di trasmissione.

5. Significato e Implicazioni

Questo studio è significativo perché:

1. Abilita l'uso degli SOA a lunga distanza: Fornisce una soluzione DSP pratica per mitigare gli svantaggi storici degli SOA (non linearità e rumore), rendendoli candidati seri per collegamenti a lunga distanza e reti metropolitane, specialmente nella banda O.
2. Efficienza Computazionale: Conferma che non sono necessarie architetture di deep learning complesse e pesanti per questo compito. L'uso di MLP semplici apre la strada all'implementazione in tempo reale su FPGA, un requisito critico per i sistemi di comunicazione ottica commerciali.
3. Ottimizzazione della Banda: Evidenzia che l'uso di SOA in combinazione con equalizzazione neurale è particolarmente vantaggioso nella banda O (bassa dispersione), dove le prestazioni di equalizzazione migliorano di un ordine di grandezza rispetto alle bande ad alta dispersione come la C-band.

In sintesi, la ricerca dimostra che l'integrazione di amplificatori SOA economici e compatti in sistemi coerenti a lunga distanza è fattibile se accompagnata da un'equalizzazione neurale a bassa complessità, offrendo una via promettente per aumentare la capacità e ridurre i costi delle infrastrutture di comunicazione ottica.