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

Technische Samenvatting: Analyse van Polarisatie-drift van Optische Signalen over Geëxploreerde Lucht-en-Grondgebonden Glasvezelverbindingen

Probleemstelling
Polarisatie-drift blijft een kritieke uitdaging voor geëxploreerde glasvezelinfrastructuur die wordt gebruikt voor kwantumcommunicatie, waarbij precieze sub-seconde polarisatie-stabilisatie vereist is om een hoge doorvoer en getrouwheid van verstrengeling te behouden. In tegenstelling tot klassieke multi-terabit systemen die gebruikmaken van polarisatie-behoudende vezels en digitale signaalverwerking om drift te mitigeren, worden kwantumnetwerken die op standaard geëxploreerde infrastructuur werken geconfronteerd met zeer stochastische en niet-stationaire polarisatievariaties. Deze driften worden gedreven door omgevingsfactoren—specifiek temperatuur, luchtvochtigheid en windsnelheid—die brekingsindexmodulatie en foto-elastische effecten induceren, wat leidt tot ruimtelijk ongelijkmatige birefringentie en rotaties van de State of Polarization (SOP). Hoewel eerdere studies de drift in uitsluitend luchtgebonden of begraven vezels hebben gekarakteriseerd, is er een gebrek aan langetermijnanalyse op hybride lucht-en-grondgebonden verbindingen die meerdere seizoenen beslaan, met name met betrekking tot de schatting van drift-kenmerken met behulp van omgevingsmetingen in plaats van enkel voorspelling.

Methodologie
De auteurs voerden een 11-maanden durende studie uit (december 2024 tot november 2025) op een 15 km lange hybride lucht-en-grondgebonden glasvezelverbinding bij Oak Ridge National Laboratory.

• Gegevensverzameling: Een continuous-wave 1550-nm gepolariseerd signaal werd door de vezel verzonden. Lineaire basis (horizontaal-verticaal) Stokes-metingen werden continu verzameld. De gegevens werden verwerkt met een multi-FFT signaal-karakteriseringsapparaat, dat elke 45 minuten Fast-Fourier-Transforms (FFTs) genereerde met een mHz-resolutie (0,37-mHz bins).
• Kenmerkextractie: Uit de FFT's (specifiek de $Y_{Hz}$-dataset van 0 tot 0,76 Hz) werden globale spectrale kenmerken geëxtraheerd: spectrale oppervlakte ($Y_{Area}$), spectraal zwaartepunt ($Y_{sp,cen}$), spectrale variantie ($Y_{sp,var}$), spectrale entropie ($Y_{sp,ent}$) en de $\beta$-exponent van de $f^{-\beta}$ trend.
• Omgevingsinputs: Meteorologische gegevens (temperatuur, relatieve luchtvochtigheid, windsnelheid) werden met intervallen van 2 minuten verzameld van een lokale meetpost. De input-kenmerken omvatten huidige waarden, veranderingen over 45-minuten intervallen ($\Delta$), en het tijdstip van de dag.
• Theoretisch Kader: Een theoretisch model gebaseerd op stochastische differentiaalvergelijkingen en $SO(3)$ rotatie-operatoren werd ontwikkeld om SOP-drift te beschrijven als een product van unitaire rotaties gedreven door omgevingsvariabelen. Dit model informeerde de machine learning-aanpak door de niet-lineaire, multiplicatieve ruis-aard van de drift en de vertraagde thermische respons van vezellagen te benadrukken.
• Machine Learning: Random Forest regressoren werden ingezet om de spectrale kenmerken ($Y$) te schatten als functies van de omgevingsgeschiedenissen ($X$). De studie vergeleken unlagged inputs met lagged inputs (4-uurs tussenruimte, 1-dag geschiedenis) om de thermische evenwichtstijd van de vezel en externe materialen (bijv. ijs, vuil) te compenseren. Prestaties werden geëvalueerd met Root Mean Square Logarithmic Error (RMSLE) tegen baseline-schatters (alleen tijdstip van de dag en combinaties van voortschrijdende gemiddelden).

Belangrijkste Bijdragen en Resultaten

1. Diurnale en Seizoensgebonden Karakterisering: De analyse onthulde sterke diurnale structuren in de spectrale oppervlakte ($Y_{Area}$), waarbij de pieken overdag samenvielen met de pieken in temperatuur en windsnelheid en dalen in luchtvochtigheid. Nachtelijke niveaus waren consistent lager. De seasonaliteit was uitgesproken, met hogere gemiddelden en variantie in de zomer vergeleken met de winter.
2. Spectrale Eigenschappen: De FFT-kenmerken wezen op sterke multiplicatieve ruis, waarbij het signaal geconcentreerd was binnen 5,1% van de 0,76 Hz window. De $\beta$-exponent schommelde rond de 1,0 (flicker noise), met meer frequente dalingen in de winter, waarschijnlijk door wind-geïnduceerde fenomenen zoals 'galloping' in ijsbedekte vezels.
3. Omgevingsafhankelijkheden:
   • Tijdstip van de dag en Temperatuur: Toonden de sterkste afhankelijkheid van de spectrale oppervlakte.
   • Windsnelheid: Toonde de sterkste afhankelijkheid van het spectrale zwaartepunt en de $\beta$-exponent, met name in de winter.
   • Heteroskedasticiteit: De variantie van de spectrale oppervlakte was niet-stationair en nam toe met de seizoensgebonden temperatuur, wat het theoretische model ondersteunt dat hogere temperaturen vezels kwetsbaarder maken voor door stress geïnduceerde birefringentie.
4. Machine Learning Prestaties:
   • Random Forest-schatters bereikten een kleine totale kloof (<2% relatieve fout) tussen test- en trainingsdatasets onder RMSLE.
   • Het opnemen van de lagged omgevingsdata (geschiedenis van 24 uur met 4-uurs tussenruimte) verbeterde de schatting, met name voor de nachtelijke dalen, door rekening te houden met de vertraagde thermische respons van de vezel.
   • De schatters slaagden erin om diurnale cycli en seizoensgebonden trends te vangen, maar hadden moeite met het voorspellen van de exacte amplitudes van scherpe sub-piekken, die waarschijnlijk worden gedreven door intrinsieke ruis of niet-gemodelleerde hoogfrequente omgevingsafhankelijkheden.
   • Baseline-modellen die alleen tijdstip-van-de-dag data gebruikten, presteerden slecht in de winter, wat bevestigt dat omgevingsvariabelen noodzakelijk zijn voor nauwkeurige schatting over verschillende seizoenen.

Significantie en Claims
Het artikel beweert een uitgebreide karakterisering te bieden van de polarisatie-drift over hybride lucht-en-grondgebonden glasvezels, waarbij de kloof tussen theoretische modellen en empirische machine learning-schatting wordt overbrugd. De primaire significantie ligt in het aantonen dat omgevingsmetingen kunnen worden gebruikt om de deterministische component van polarisatie-drift-kenmerken met hoge betrouwbaarheid (<2% relatieve fout tussen training en test) te schatten, ondanks de hoge ruis en niet-stationariteit van het signaal.

De auteurs stellen dat hun framework "weer-bewuste voorspelling" van SOP-drift-kenmerken mogelijk maakt. Deze capaciteit wordt gepresenteerd als een instrument voor link-state monitoring en controle in kwantumnetwerken, wat potentieel ruimte biedt voor proactieve planning, routing en de optimalisatie van polarisatiecontrole-parameters (bijv. PID-tuning) op basis van omgevings-telemetrie. De studie benadrukt dat hoewel absolute voorspelling van het volledige signaal moeilijk is vanwege ruis, het schatten van de verwachting van weer-afhankelijke kenmerken een haalbare en waardevolle aanpak is voor het handhaven van netwerkstabiliteit. Het werk claimt niet de noodzaak voor actieve polarisatiecompensatie weg te nemen, maar suggereert dat omgevingsschatting de efficiëntie en robuustheid van dergelijke systemen kan verbeteren.