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

技術要約：配備された空路・地中ハイブリッド光ファイバー接続における光信号の偏波ドリフト解析

問題提起
偏波ドリフトは、量子通信に使用される配備済みファイバー・インフラストラクチャにおいて、高いもつれスループットと忠実度を維持するために精密なサブ秒単位の偏波安定化が必要とされる中で、極めて重要な課題であり続けている。デジタル信号処理を用いてドリフトを軽減する従来のテラビット級の古典的システムとは異なり、標準的な配備済みインフラ上で動作する量子ネットワークは、高度に確率論的かつ非定常な偏波変動に直面している。これらのドリフトは、温度、湿度、風速といった環境要因によって引き起こされ、これらが屈折率変調や光弾性効果を誘発し、空間的に不均一な複屈折および状態（State of Polarization: SOP）の回転をもたらす。先行研究では、空路のみ、あるいは埋設ファイバーのみのドリフト特性については明らかにされているが、複数の季節にわたるハイブリッド型の空路・地中接続に関する長期的な分析、特に単なる予測ではなく環境測定値を用いたドリフト特徴量の推定に関する研究は不足している。

手法
著者らは、オークリッジ国立研究所における15 kmのハイブリッド空路・地中ファイバー接続に対して、11ヶ月間（2024年12月から2025年11月まで）の調査を実施した。

• データ収集: 連続波1550 nmの偏波信号をファイバーを通じて伝送した。線形基底（水平－垂直）のストークス測定値を継続的に収集した。データはマルチFFT信号特性化デバイスを用いて処理され、45分ごとにmHz分解能（0.37 mHz ビン）で高速フーリエ変換（FFT）が生成された。
• 特徴量抽出: FFT（具体的には0から0.76 Hzの範囲の$Y_{Hz}$データセット）から、以下のグローバルなスペクトル特徴量を抽出した：スペクトル面積（$Y_{Area}$）、スペクトル重心（$Y_{sp,cen}$）、スペクトル分散（$Y_{sp,var}$）、スペクトルエントロピー（$Y_{sp,ent}$）、および$f^{-\beta}$トレンドの$\beta$指数。
• 環境入力: 気象データ（温度、相対湿度、風速）を、ローカルステーションから2分間隔で収集した。入力特徴量には、現在値、45分間隔の変化量（$\Delta$）、および時刻が含まれる。
• 理論的枠組み: SOPドリフトを、環境変数によって駆動されるユニタリ回転の積として記述する、確率微分方程式と$SO(3)$回転演算子に基づく理論モデルを開発した。このモデルは、ドリフトの非線形かつ乗法的なノイズの性質や、ファイバー層の遅延熱応答を強調することで、機械学習アプローチに知見を与えた。
• 機械学習: 環境履歴（$X$）の関数としてスペクトル特徴量（$Y$）を推定するために、ランダムフォレスト回帰が採用された。本研究では、ファイバーおよび外部材料（例：氷、汚れ）の熱平衡時間を考慮するため、ラグなしの入力と、ラグ付き入力（4時間間隔、1日の履歴）を比較した。性能評価は、ベースラインの推定器（時刻のみ、および移動平均の組み合わせ）に対する平方根平均対数誤差（RMSLE）を用いて行われた。

主な貢献と結果

1. 日周および季節特性: 解析の結果、スペクトル面積（$Y_{Area}$）における強い日周構造が明らかになった。日中の極大値は、温度と風速のピーク、および湿度の低下と一致していた。夜間のレベルは一貫して低かった。季節性は顕著であり、冬と比較して夏の方が平均値および分散が高かった。
2. スペクトル特性: FFT特性は強い乗法的ノイズを示し、信号は0.76 Hzの窓の5.1%以内に集中していた。$\beta$指数は約1.0（フリッカーノイズ）付近を推移したが、これは氷が付着したファイバーによるギャロッピング現象などの風による現象により、冬季に頻繁に低下することを示している。
3. 環境依存性:
   • 時刻および温度: スペクトル面積に対して最も強い依存性を示した。
   • 風速: 特に冬季において、スペクトル重心および$\beta$指数に対して最も強い依存性を示した。
   • 不等分散性: スペクトル面積の分散は非定常であり、季節的な温度上昇とともに増加した。これは、高温がファイバーを応力誘起複屈折の変化に対してより脆弱にするという理論モデルを支持している。
4. 機械学習の性能:
   • ランダムフォレスト推定器は、RMSLEにおいてテストデータセットと訓練データセットの間で非常に小さな全体的なギャップ（相対誤差2%未満）を達成した。
   • ラグ付き環境データ（4時間間隔の24時間の履歴）を含めることで、ファイバーの遅延熱応答を考慮することができ、特に夜間の谷の部分において推定精度が向上した。
   • 推定器は日周サイクルや季節トレンドを捉えることに成功したが、鋭いサブピークの特徴の正確な振幅の予測には苦戦した。これらは、固有のノイズや未モデル化の高周波環境依存性によって駆動されている可能性が高い。
   • 時刻データのみを用いたベースラインモデルは冬季に性能が悪化し、季節を横断して正確な推定を行うためには環境変数が不可欠であることを裏付けた。

意義と主張
本論文は、空路・地中ハイブリッドファイバーにおける偏波ドリフトの包括的な特性化を提供し、理論モデルと経験的な機械学習による推定の間の溝を埋めるものである。主な意義は、信号の高いノイズと非定常性にもかかわらず、環境測定を用いることで、偏波ドリフト特徴量の決定論的な成分を高い信頼性（訓練とテスト間の相対誤差2%未満）で推定できることを示した点にある。

著者らは、本フレームワークが「天候を考慮した予測（weather-aware prediction）」を可能にすると主張している。この能力は、量子ネットワークにおけるリンク状態の監視および制御のためのツールとして提示されており、環境テレメトリに基づいたプロアクティブなスケジューリング、ルーティング、および偏波制御パラメータ（例：PIDチューニング）の最適化を可能にする。本研究は、信号全体の絶対的な予測は困難であるものの、天候に依存する特徴量の期待値を推定することは、実行可能かつ価値のあるアプローチであることを強調している。本研究は、能動的な偏波補償の必要性を排除することを目的としているのではなく、環境推定がそのようなシステムの効率性と堅牢性を高め得ることを示唆している。