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

Sintesi Tecnica: Decodifica Spazio-Temporale Guidata dall'IA di Stati OAM Contrapposti

Problematica
Le reti di comunicazione ottica convenzionali si stanno avvicinando al limite non lineare di Shannon, affrontando vincoli di capacità e vulnerabilità all'intercettazione fisica. Sebbene il Multiplexing a Divisione Spaziale (SDM) utilizzando il Momento Angolare Orbitale (OAM) offra canali ortogonali teoricamente infiniti, la sua implementazione pratica è ostacolata dalla dispersione modale, dal crosstalk inter-modale e dalle distorsioni di fase. Queste distorsioni derivano da imperfezioni di fabbricazione nei Circuiti Integrati Fotonici (PIC) e dalla turbolenza atmosferica nelle comunicazioni Ottiche nello Spazio Libero (FSO). Inoltre, la dipendenza da protocolli crittografici algoritmici lascia l'infrastruttura esposta alle future minacce di decrittazione tramite calcolo quantistico. La sfida centrale consiste nello sviluppare un'architettura a livello fisico che sia intrinsecamente sicura e resiliente a gravi imperfezioni dell'hardware e al rumore, senza fare affidamento su complessi ed errati hardware ottici per l'equalizzazione del segnale.

Metodologia: L'Architettura OAM-NET
Il documento propone "OAM-NET", una rete ibrida spazio-temporale progettata per spostare l'onere dell'equalizzazione del segnale dall'hardware ottico alle reti neurali definite dal software. La metodologia si basa su tre componenti primarie:

1. Sovrapposizione OAM Contrapposta: Invece di trasmettere modalità spaziali variabili, il sistema utilizza la sovrapposizione coerente di cariche topologiche ad alto ordine e contrapposte ($l = +21$ e $l = -21$). Questa interferenza crea un modello di intensità stabile a forma di petalo.
2. Codifica Doppler Rotazionale: L'informazione non è codificata nella forma spaziale, ma nella velocità di fase rotazionale del modello di interferenza, governata dall'Effetto Doppler Rotazionale. I payload di dati sono mappati su una specifica sequenza armonica di velocità rotazionali: $v \in \{9, 6, 3\}$. Il segnale di interferenza temporale $I(t)$ è definito dallo spostamento di frequenza risultante dalla differenza di carica topologica ($\Delta l = 42$), modellato come $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$, dove $\phi_{drift}$ tiene conto dell'instabilità dell'hardware e $N(t)$ rappresenta il rumore del canale.
3. Decodifica Guidata dall'IA (Bi-LSTM): Per ricostruire gli stati codificati in condizioni avverse, viene impiegata una rete neurale Long Short-Term Memory Bidirezionale (Bi-LSTM). L'architettura include:
   • Uno strato di input per i dati di interferenza spazio-temporale sequenziali.
   • Due strati nascosti Bi-LSTM (64 e 32 unità) con regolarizzazione dropout di 0,3 per prevenire l'overfitting.
   • Uno strato denso di output con attivazione Softmax per la classificazione multi-classe delle velocità a spirale.
     La struttura bidirezionale consente al decoder di elaborare i dati in serie sia in avanti che all'indietro, catturando gli spostamenti di fase transitori causati dalla dispersione modale.

Contributi Chiave

• Sicurezza a Livello Fisico tramite Impronte Topologiche: Il documento introduce un meccanismo di sicurezza in cui i dati sono mappati su sequenze armoniche uniche. L'intercettazione non autorizzata è resa inefficace perché, senza i pesi neurali specifici addestrati del ricevitore Bi-LSTM, gli schemi di interferenza ad alta dimensione sono matematicamente indistinguibili dal rumore di fondo.
• Equalizzazione Definita dal Software: Il lavoro dimosta che il deep learning può bypassare matematicamente i difetti dell'hardware fisico (come la rugosità delle pareti laterali delle guide d'onda) e la severa turbolenza atmosferica, eliminando la necessità di complessi hardware di correzione ottica.
• Resilienza a Rumore Estremo: L'architettura è progettata per funzionare sotto Rapporti Segnale-Rumore (SNR) di circa 0 dB, dove l'ampiezza del rumore eguaglia o supera l'ampiezza del segnale.

Risultati
Simulazioni numeriche hanno sottoposto l'architettura OAM-NET a test di stress estremi, simulando realistiche imperfezioni dell'hardware e severa turbolenza FSO con rumore gaussiano che maschera il segnale originale.

• Prestazioni di Addestramento: Il modello Bi-LSTM è stato addestrato per 25 epoche utilizzando l'ottimizzatore Adam e la perdita di cross-entropia categorica.
• Accuratezza della Decodifica: Nonostante l'estrema degradazione del segnale (SNR $\approx$ 0 dB), il decoder ha raggiunto un'accuratezza stabile del 92,67%.
• Tassi di Errore: Il modello ha mantenuto una perdita di validazione minima di 0,2333. Il tasso di errore di bit residuo è rientrato completamente nella soglia correggibile dei protocolli standard di Forward Error Correction (FEC).
• Conclusione della Simulazione: I risultati confermano che il decoder IA può isolare in modo affidabile l'impronta topologica della sequenza armonica dal rumore distruttivo del canale.

Significatività e Rivendicazioni
Il documento afferma di aver stabilito una base teorica e numerica per un'infrastruttura altamente resiliente e pronta alla decentralizzazione per l'Ottica nello Spazio Libero e per la comunicazione sicura a livello fisico. Dimostrando la capacità di decodificare segnali fisici in condizioni di stress estremo, lo studio asserisce che la combinazione di stati OAM contrapposti ad alta dimensione con equalizzatori spazio-temporali guidati dall'IA offre una soluzione robusta alla dispersione modale. La significatività risiede nel provare che i limiti dell'hardware fisico possono essere superati attraverso il deep learning, fornando un backbone hardware scalabile e matematicamente sicuro per le reti ottiche di prossima generazione.