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

Sintesi Tecnica: Analisi della deriva di polarizzazione dei segnali ottici su connessioni in fibra aeree-interrate distribuite

Definizione del Problema
La deriva di polarizzazione rimane una sfida critica per le infrastrutture in fibra distribuite utilizzate nelle comunicazioni quantistiche, dove è richiesta una stabilizzazione della polarizzazione sub-secondaria precisa per mantenere l'elevata produttività e la fedeltà dell'entanglement. A differenza dei sistemi classici multi-terabit che utilizzano fibre a mantenimento della polarizzazione e l'elaborazione digitale del segnale per mitigare la deriva, le reti quantistiche che operano su infrastrutture standard distribuite affrontano variazioni di polarizzazione altamente stocastiche e non stazionarie. Queste derive sono guidate da fattori ambientali — specificamente temperatura, umidità e velocità del vento — che inducono la modulazione dell'indice di rifrazione ed effetti fotoelastici, portando a una birifrangenza spazialmente disomogenea e rotazioni dello Stato di Polarizzazione (SOP). Sebbene studi precedenti abbiano caratterizzato la deriva in fibre esclusivamente aeree o interrate, manca un'analisi a lungo termine sulle connessioni ibride aeree-interrate che abbraccino più stagioni, in particolare per quanto riguarda la stima delle caratteristiche di deriva tramite misurazioni ambientali piuttosto che la semplice previsione.

Metodologia
Gli autori hanno condotto uno studio di 11 mesi (da dicembre 2024 a novembre 2025) su una connessione in fibra ibrida aerea-interrata di 15 km presso l'Oak Ridge National Laboratory.

• Raccolta Dati: Un segnale polarizzato a onda continua a 1550 nm è stato trasmesso attraverso la fibra. Misure di Stokes in base lineare (orizzontale-verticale) sono state raccolte continuamente. I dati sono stati elaborati utilizzando un dispositivo di caratterizzazione del segnale multi-FFT, generando Trasformate di Fourier Veloci (FFT) ogni 45 minuti con risoluzione in mHz (bin da 0,37 mHz).
• Estrazione delle Caratteristiche: Dalle FFT (specificamente il dataset $Y_{Hz}$ che spazia da 0 a 0,76 Hz), sono state estratte caratteristiche spettrali globali: area spettrale ($Y_{Area}$), centroide spettrale ($Y_{sp,cen}$), varianza spettrale ($Y_{sp,var}$), entropia spettrale ($Y_{sp,ent}$) e l'esponente $\beta$ del trend $f^{-\beta}$.
• Input Ambientali: Dati meteorologici (temperatura, umidità relativa, velocità del vento) sono stati raccolti a intervalli di 2 minuti da una stazione locale. Gli input includevano valori correnti, variazioni su intervalli di 45 minuti ($\Delta$) e ora del giorno.
• Quadro Teorico: È stato sviluppato un modello teorico basato su equazioni differenziali stocastiche e operatori di rotazione $SO(3)$ per descrivere la deriva della SOP come prodotto di rotazioni unitarie guidate da variabili ambientali. Questo modello ha informato l'approccio di machine learning evidenziando la natura non lineare e del rumore moltiplicativo della deriva e la risposta termica ritardata degli strati della fibra.
• Machine Learning: Sono stati impiegati regressori Random Forest per stimare le caratteristiche spettrali ($Y$) come funzioni delle storie ambientali ($X$). Lo studio ha confrontato input senza ritardo rispetto a input con ritardo (distanziati di 4 ore, con una storia di 1 giorno) per tenere conto del tempo di equilibratura termica della fibra e dei materiali esterni (ad es. ghiaccio, sporco). Le prestazioni sono state valutate utilizzando l'Errore Logaritmico della Radice Quadrata Media (RMSLE) rispetto agli stimatori di base (solo ora del giorno e combinazioni di media mobile).

Contributi Chiave e Risultati

1. Caratterizzazione Diurna e Stagionale: L'analisi ha rivelato forti strutture diurne nella area spettrale ($Y_{Area}$), con massimi diurni che si allineano ai picchi di temperatura e velocità del vento e ai minimi di umidità. I livelli notturni sono stati costantemente inferiori. La stagionalità è stata pronunciata, con valori medi e di varianza più elevati in estate rispetto all'inverno.
2. Proprietà Spettrali: Le caratteristiche FFT hanno indicato un forte rumore moltiplicativo, con il segnale concentrato entro il 5,1% della finestra di 0,76 Hz. L'esponente $\beta$ si è attestato intorno a 1,0 (rumore flicker), mostrando cali più frequenti in inverno, probabilmente dovuti a fenomeni indotti dal vento come il "galloping" in fibre rivestite di ghiaccio.
3. Dipendenze Ambientali:
   • Ora del Giorno e Temperatura: Hanno mostrato la dipendenza più forte dall'area spettrale.
   • Velocità del Vento: Ha mostrato la dipendenza più forte dal centroide spettrale e dall'esponente $\beta$, specialmente in inverno.
   • Eteroschedasticità: La varianza dell'area spettrale non è stazionaria, aumentando con la temperatura stagionale, supportando il modello teorico secondo cui temperature più elevate rendono le fibre più vulnerabili alle variazioni di birifrangenza indotte dallo stress.
4. Prestazioni del Machine Learning:
   • Gli stimatori Random Forest hanno ottenuto un piccolo scarto complessivo (<2% di errore relativo) tra i dataset di test e di addestramento sotto RMSLE.
   • L'inclusione di dati ambientali con ritardo (storia di 24 ore con spaziatura di 4 ore) ha migliorato la stima, particolarmente per i minimi notturni, tenendo conto della risposta termica ritardata della fibra.
   • Gli stimatori hanno catturato con successo i cicli diari e le tendenze stagionali, ma hanno faticato a prevedere l'ampiezza esatta dei picchi sub-secondari acuti, che sono probabilmente guidati dal rumore intrinseco o da dipendenze ambientali ad alta frequenza non modellate.
   • I modelli di base che utilizzavano solo i dati dell'ora del giorno hanno performato scarsamente in inverno, confermando che le variabili ambientali sono necessarie per una stima accurata attraverso le stagioni.

Significatività e Rivendicazioni
Il documento sostiene di fornire una caratterizzazione completa della deriva di polarizzazione su fibre ibride aeree-interrate, colmando il divario tra modelli teorici e stima empirica tramite machine learning. La significatività primaria risiede nel dimostrare che le misurazioni ambientali possono essere utilizzate per stimare con alta affidabilità (<2% di errore relativo tra addestramento e test) la componente deterministica delle caratteristiche della deriva di polarizzazione, nonostante l'elevato rumore e la non stazionarietà del segnale.

Gli autori affermano che il loro framework consente la "previsione consapevole del meteo" (weather-aware prediction) delle caratteristiche della deriva della SOP. Questa capacità è presentata come uno strumento per il monitoraggio e il controllo dello stato del link, permettendo potenzialmente una pianificazione proattiva, il routing e l'ottimizzazione dei parametri di controllo della polarizzazione (ad es. la regolazione del PID) basandosi sulla telemetria ambientale. Lo studio sottolinea che, sebbene la previsione assoluta dell'intero segnale sia difficile a causa del rumore, stimare l'aspettativa delle caratteristiche dipendenti dal meteo è un approccio vitale e valevole per mantenere la stabilità della rete. Il lavoro non pretende di eliminare la necessità di una compensazione attiva della polarizzazione, ma suggerisce che la stima ambientale può migliorare l'efficienza e la robustezza di tali sistemi.