Performance Optimisation and Simulation-Based Validation of 400 Gbps Dual-Polarization QPSK Optical Backhaul Systems for 5G and Beyond Mobile Networks

Sintesi Tecnica: Ottimizzazione delle Prestazioni e Validazione Basata su Simulazione di Sistemi di Backhaul Ottico DP-QPSK a 400 Gbps

Problematica
La crescita esponenziale del traffico di dati mobili, guidata dalla diffusione del 5G e dalle applicazioni emergenti del 6G, ha creato una crisi di capacità nelle reti di backhaul ottico. Sebbene il sistema DP-QPSK (Dual-Polarization Quadrature Phase-Shift Keying) a 400 Gbps offra un equilibrio convincente tra efficienza spettrale e complessità di implementazione, la sua distribuzione pratica affronta significative sfide a livello di livello fisico. Queste includono la dispersione cromatica (CD), la dispersione di modo di polarizzazione (PMD), le non linearità della fibra e il rumore di emissione spontanea amplificata (ASE), che vengono esacerbati a velocità di simbolo più elevate. Inoltre, le attuali soluzioni di DSP (Digital Signal Processing) spesso faticano a gestire il compromesso tra complessità computazionale, consumo energetico e prestazioni in condizioni ambientali reali (ad esempio, fluttuazioni di temperatura e diverse proprietà della fibra). Gli attuali DSP coerenti consumano una potenza significativa (25–35 W per lunghezza d'onda) e molti approcci di Machine Learning (ML) mancano di una rigorosa validazione statistica, di una modellazione informata sulla fisica o di un'analisi di fattibilità hardware per l'implementazione in tempo reale.

Metodologia
Gli autori propongono un framework unificato, informato dalla fisica e basato sui dati, per sistemi di backhaul ottico DP-QPSK a 400 Gbps. La metodologia integra i seguenti componenti:

1. Modellazione del Canale: La propagazione del segnale è modellata utilizzando l'equazione di Manakov, risolta tramite un metodo Split-Step Fourier (SSFM) a passo adattivo. Questo framework tiene conto di CD, PMD, non linearità di Kerr e rumore ASE (con fattore di rumore EDFA di 5 dB). Viene impiegato un modello di canale stocastico-geometrico per sostituire le standard assunzioni di rumore Gaussiano, con l'obiettivo di migliorare l'accuratezza della previsione della portata (reach).
2. Architettura DSP: L'innovazione principale è un equalizzatore ibrido CNN-BiLSTM (Convolutional Neural Network - Bidirectional Long Short-Term Memory). Questo sostituisce gli approenti convenzionali basati sull'algoritmo a modulo costante (CMA) e sulla Digital Backpropagation (DBP). La catena DSP include:
   • Correzione del front-end (squilibrio I/Q, offset DC).
   • Compensazione della CD nel dominio della frequenza.
   • Recupero del clock.
   • L'equalizzatore proposto CNN-BiLSTM per la compensazione residua lineare e non lineare.
   • Stima della fase del carrier potenziata dal ML.
   • Selezione dei simboli e Forward Error Correction a decisione morbida (SD-FEC).
3. Strategie di Ottimizzazione:
   • Tracciamento della Polarizzazione Multi-timescale: Un modello di correlazione cross-timescale che combina un filtro di Kalman (fluttuazioni rapide) e i minimi quadrati ricorsivi (RLS per derive lente).
   • DSP Adattivo alle Risorse: Allocazione dinamica delle risorse computazionali basata sulle informazioni sullo stato del canale in tempo reale (OSNR, CD, PMD) per minimizzare la potenza mantenendo le prestazioni.
   • Co-design Consapevole dell'Hardware: Modellazione esplicita degli impairments del trasmettitore/ricevitore (rumore di fase, rumore di quantizzazione) all'interno del ciclo di ottimizzazione.
4. Framework di Validazione: Lo studio utilizza simulazioni Monte Carlo con $10^6$ simboli per prova e 1.000 prove indipendenti. La validazione statistica è eseguita tramite inferenza bayesiana, intervalli di confidenza (Wald e bootstrap) e test di ipotesi (t-test a due campioni) per garantire che i miglioramenti dichiarati siano statisticamente significativi ($p < 0.01$). Uno studio di ablazione rimuove sistematicamente i componenti architettonici per quantificare i contributi individuali.
5. Analisi di Fattibilità: Un'analisi basata sulla sintesi prende come bersaglio un Xilinx Zynq UltraScale+ RFSoC e un ASIC a 7nm, stimando latenza, potenza e utilizzo delle risorse per l'equalizzatore CNN-BiLSTM a 32 GBaud.

Contributi Chiave
Il documento rivendica i seguenti contributi specifici:

• Modellazione Ibrida Fisica-ML: Integrazione di un equalizzatore CNN-BiLSTM all'interno di un framework basato su Manakov, ottenendo una mitigazione della non linearità del 95% con una complessità inferiore del 93% rispetto alla Digital Backpropagation (DBP) semplificata.
• Tracciamento Multi-timescale: Un nuovo modello di tracciamento che riduce i penalità dipendenti dalla polarizzazione del 60%.
• Modello di Canale Stocastico-Geometrico: Un processo spazialmente correlato che migliora l'accuratezza della previsione della portata del 25% rispetto al modello di Rumore Gaussiano (GN).
• DSP Adattivo alle Risorse: Uno schema di allocazione dinamica che ottiene una riduzione della potenza del 35% rimanendo entro 0,3 dB delle prestazioni a piena complessità.
• Rigorosa Validazione Statistica: Uso di test di ipotesi e studi di ablazione per confermare che ogni componente architettonica contribuisca significativamente ai guadagni di prestazione.
• Fattibilità Hardware: Stime di sintesi che dimostrano che l'equalizzatore CNN-BiLSTM può operare a 32 GBaud con 128 motori paralleli in un ASIC a 7nm, consumando una potenza stimata di 150 mW con una latenza di 2,4 μs.

Risultati
I risultati della simulazione sotto una potenza di lancio di 4 dBm e una trasmissione non ripetuta di 1200 km (SSMF, EDFA NF=5 dB) indicano:

• Prestazioni: Il sistema opera 4,7 dB sopra il Limite Quantistico Standard (SQL). Il Bit Error Rate (BER) pre-FEC è di $2,8 \times 10^{-3}$, ben al di sotto della soglia SD-FEC di $2,4 \times 10^{-2}$.
• Fattore Q: Si ottiene un Q-factor massimo di 10,5 dB, che rappresenta un miglioramento di 2,3 dB rispetto al DSP standard e un guadagno di 1,2 dB rispetto alla migliore DBP convenzionale.
• Complessità e Potenza: L'architettura proposta riduce la complessità computazionale del 93% e il consumo di potenza del 35% rispetto al DSP standard.
• Mitigazione della Non Linearità: Il sistema raggiunge un'efficienza di mitigazione della non linearità del 95%.
• Convergenza: La CNN-BiLSTM converge dopo 35 epoche con una perdita finale di 0,008.
• Significatività Statistica: Tutti i miglioramenti dichiarati (ad esempio, riduzione del rumore di fase del 60%, apertura dell'occhio 2,5 volte maggiore) sono confermati con $p < 0,001$ tramite t-test.
• Confronto Commerciale: Il sistema proposto dimostra un costo per Gbps competitivo ($0,80) e un'efficienza energetica rispetto ai sistemi 400G commerciali (ad esempio, Acacia, Infinera, Ciena), principalmente grazie alla riduzione della complessità del DSP.

Significatività e Rivendicazioni
Il documento posiziona questo lavoro come una via scalabile verso i backhaul ottici da 600G–1T per le reti 5G-Advanced e 6G. Gli autori affermano che le loro innovazioni integrate colmano il divario tra i limiti teorici e l'implementazione pratica fornendo:

1. Un framework ML informato dalla fisica che evita la natura "black box" dei modelli puramente guidati dai dati.
2. Una rigorosa validazione statistica e studi di ablazione, affrontando una lacuna nella letteratura esistente dove i miglioramenti sono spesso qualitativi o privi di intervalli di confidenza.
3. La fattibilità hardware attraverso l'analisi basata sulla sintesi, andando oltre le proposte teoriche di ML per affrontare i vincoli di implementazione in tempo reale (latenza, potenza, area).
4. Il raggiungimento di prestazioni vicine al limite quantistico utilizzando componenti commercialmente disponibili (EDFA NF=5 dB, SSMF standard), rendendo la soluzione economicamente sostenibile per il backhaul mobile.

Gli autori dichiarano esplicitamente che il lavoro si basa su simulazioni e stime basate sulla sintesi. Identificano la validazione hardware-in-the-loop su FPGA e le prove sul campo come necessari lavori futuri per confermare questi risultati in condizioni reali. Lo studio non afferma di aver distribuito fisicamente il sistema o di averlo misurato su silicio fabbricato, ma fornisce una validazione completa basata su simulazione e una tabella di marcia di fattibilità.