The Coherent Polynomials Closed-Form Model for Evaluating Nonlinear Interference in Any Island

기술 요약: 모든 섬에서 비선형 간섭을 평가하기 위한 일관 다항식 폐형 모델

문제 제기
비선형 간섭 (NLI) 의 정확한 모델링은 현대 광섬유 시스템 설계, 특히 초광대역, 저분산 및 다중 서브캐리어 전송과 관련된 신희 시나리오에서 필수적입니다. 가우시안 잡음 (GN) 모델과 향상된 GN(EGN) 모델은 신뢰할 수 있는 기준을 제공하지만, 수치적 적분에 의존하기 때문에 실시간 응용 분야에서 계산적으로 불가능합니다. 따라서 빠른 추정을 가능하게 하기 위해 폐형 모델 (CFM) 이 개발되었습니다. 그러나 다항식 폐형 모델 (PCFM1) 을 포함한 기존 CFM 은 정확도를 저하시키는 단순화 가정에 의존하여 실제 복잡한 시나리오에서 문제가 됩니다. 구체적으로, 이러한 모델들은 일반적으로 다음과 같은 한계를 가집니다: (i) NLI 전력 스펙트럼 밀도 (PSD) 가 스펙트럼적으로 평탄하다고 가정하고 채널 중심 주파수에서만 이를 평가하며, (ii) GN 모델 적분 "섬"을 단순한 직사각형이나 줄무늬로 근사화하고, (iii) 다중 채널 간섭 (MCI) 을 무시하며, (iv) 구간 간 NLI 의 비일관적 누적이라고 가정하거나 일관성을 거칠게 모델링합니다. 이러한 근사화는 MCI 와 일관된 누적 효과가 지배적인 저분산 및 디지털 서브캐리어 시스템에서 크게 실패합니다.

방법론
저자들은 PCFM2 라는 명칭의 업그레이드된 프레임워크를 제안하여 통합된 분석 구조 내에서 이러한 한계를 제거합니다. 방법론은 다음과 같이 진행됩니다:

1. 누적 분산 표현: 전체 링크 GN 모델 공식에서 시작하여 저자들은 링크를 따라 위상 진화를 명시적으로 포착하는 누적 분산 표현을 도입합니다. 이를 통해 NLI 기여도를 구간 내 및 구간 간 항으로 분해할 수 있으며, 둘 다 공통된 분석 구조로 설명됩니다.
2. 임의의 직사각형 적분: PCFM1 이 자기 채널 간섭 (SCI) 섬에 대해 정사각형 근사를 사용하는 것과 달리, PCFM2 는 모든 적분 섬 (SCI, XCI 또는 MCI) 을 인접한 직사각형 부분 영역의 합집합으로 표현합니다. 이를 통해 모델은 기계 학습 보정 인자 (MLCF) 에 의존하지 않고 임의의 적분 영역과 주파수 오프셋을 처리할 수 있습니다.
3. 공간 전력 프로파일 (SPP) 의 다항식 전개: 유효 SPP 는 다항식 전개로 표현됩니다. 이는 주파수와 구간 좌표에 대한 복잡한 이중 적분을 폐형 식으로 변환합니다.
4. 일관된 누적 공식화: 이 모델은 구간 간 NLI 의 일관된 누적을 명시적으로 유지합니다. 이는 임의의 두 구간 ($v$ 및 $w$) 사이의 교차 상관 관계를 설명하는 일반화된 커널 $R^{(v,w)}_x(f)$ 를 유도합니다. 이 커널은 주파수 적분을 사인 적분 함수로, 공간 적분을 구간별 다항식으로 축소하여 평가함으로써 완전한 폐형 해를 도출합니다.
5. 수학적 유도: 유도 과정은 국소 구간 좌표를 정의하고, 분산을 위해 스케일링된 변수를 도입하며, 직사각형 영역을 구간으로 매핑하여 적분을 분석적으로 해결하는 것을 포함합니다. 이 해법은 양수 및 음수 분산 값 모두를 처리하며, 제로 분산 시나리오에 대한 극한 표현을 포함합니다.

주요 기여

• 스펙트럼 평탄성 가정 제거: PCFM2 는 채널 내 임의의 주파수에서 NLI PSD 를 평가하여 PCFM1 이 놓치는 스펙트럼 변동을 정확하게 포착합니다.
• 일반화된 적분 영역: 인접한 직사각형으로 임의의 적분 섬을 커버함으로써, 이 모델은 다중 서브캐리어 시스템과 비균일 채널 간격에서 발생하는 복잡한 기하학적 구조를 정확하게 처리합니다.
• 명시적 일관성 모델링: 이 프레임워크는 구간 내 및 구간 간 일관성에 대한 통합된 분석적 처리를 제공하여 비일관적 누적 가정을 제거합니다.
• MLCF 의존성 제거: 이 모델은 종종 저분산 영역에서 비효율적인 기계 학습 보정 인자에 의존하는 대신 내재적 분석적 개선을 통해 높은 정확도를 달성합니다.

결과
이 논문은 세 가지 특정 테스트를 통해 수치적 GN 모델 참조에 대해 PCFM2 를 검증합니다:

1. SCI PSD 정확도: 100km 의 140 GBaud 단일 채널 시스템에서 PCFM2 는 임의의 주파수 오프셋에서 전체 SCI PSD 를 정확하게 계산합니다. 반면 PCFM1 은 (MLCF 를 포함하더라도) 저분산 영역 ($|\beta_{2,eff}| \in [0, 25]$ ps²/km) 에서 약 1dB 의 상당한 오차를 보이지만, PCFM2 는 제로 분산 근처를 포함한 전체 범위에서 높은 정확도를 유지합니다.
2. 다중 서브캐리어 시스템: 8 서브캐리어 시스템에서 PCFM2 는 XCI 와 MCI 로 인해 발생하는 평탄함으로부터의 상당한 편차와 비대칭 형태를 포착하여 NLI PSD 를 정확하게 예측합니다. PCFM1 은 이러한 특징을 포착하지 못하며, MLCF 는 이러한 저분산 다중 서브캐리어 시나리오에서 PCFM1 을 효과적으로 보정하지 못합니다.
3. 다중 구간 일관성: 10 구간 링크에서 PCFM2 는 일관된 GN 모델 참조를 밀접하게 추적합니다. 결과는 PCFM2 가 위상 상관 관계로 인한 NLI 의 구성적 누적을 정확하게 포착하며, 분산이 감소함에 따라 일관된 누적과 비일관된 누적 사이의 격차가 커짐을 보여줍니다.

의의
이 논문은 PCFM2 가 실제 시스템에서 NLI 누적을 분석하기 위한 계산적으로 효율적이고 분석적으로 엄격한 도구를 제공한다고 주장합니다. 이전 CFM 의 제한적인 가정을 제거함으로써, 이 모델은 기존 모델이 실패하는 저분산 및 디지털 서브캐리어 시나리오에 특히 관련이 있습니다. 기계 학습 보정 없이 임의의 직사각형 적분 영역에서 NLI 를 평가할 수 있는 능력은 차세대 광섬유 시스템의 설계 및 최적화를 위한 견고한 해결책을 제공합니다.