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

Resumo Técnico: Decodificação Espaçotempo-orientada por IA de Estados OAM Contra-Propagantes

Declaração do Problema
As redes de comunicação óptica convencionais estão se aproximando do limite de Shannon não linear, enfrentando restrições de capacidade e vulnerabilidades à interceptação física. Embora a Multiplexação por Divisão de Espaço (SDM) utilizando Momento Angular Orbital (OAM) ofereça canais ortogonais teoricamente infinitos, sua implementação prática é dificultada pela dispersão modal, crosstalk intermodal e distorções de fase. Essas distorções surgem de imperfeições de fabricação em Circuitos Integrados Fotônicos (PICs) e turbulência atmosférica em Óptica de Espaço Livre (FSO). Além disso, a dependência de protocolos criptográficos algorítmicos deixa a infraestrutura exposta a futuras ameaças de descriptografia por computação quântica. O desafio central é desenvolver uma arquitetura de camada física que seja inerentemente segura e resiliente a severas imperfeições de hardware e ruído, sem depender de hardware óptico complexo e propenso a erros para equalização de sinal.

Metodologia: A Arquitetura OAM-NET
O artigo propõe a "OAM-NET", uma rede híbrida espaço-temporal projetada para transferir o ônus da equalização de sinal do hardware óptico para redes neurais definidas por software. A metodologia baseia-se em três componentes primários:

1. Superposição de OAM Contra-Propagante: Em vez de transmitir modos espaciais variáveis, o sistema utiliza a superposição coerente de cargas topológicas de ordem elevada e contra-propagantes ($l = +21$ e $l = -21$). Essa interferência cria um padrão de intensidade estável, semelhante a pétalas.
2. Codificação por Doppler Rotacional: A informação não é codificada na forma espacial, mas na velocidade de fase rotacional do padrão de interferência, regida pelo Efeito Doppler Rotacional. As cargas de dados são mapeadas para uma sequência harmônica específica de velocidades rotacionais: $v \in \{9, 6, 3\}$. O sinal de interferência temporal $I(t)$ é definido pela mudança de frequência resultante da carga topológica diferencial ($\Delta l = 42$), modelado como $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$, onde $\phi_{drift}$ contabiliza a instabilidade do hardware e $N(t)$ representa o ruído do canal.
3. Decodificação Orientada por IA (Bi-LSTM): Para reconstruir estados codificados sob condições adversas, é empregada uma rede neural de Memória de Longo Prazo Bidirecional (Bi-LSTM). A arquitetura inclui:
   • Uma camada de entrada para dados de interferência espaço-temporais sequenciais.
     l. Duas camadas ocultas Bi-LSTM (64 e 32 unidades) com regularização de dropout de 0,3 para evitar overfitting.
   • Uma camada densa de saída com ativação Softmax para classificação multiclasse das velocidades espirais.
     A estrutura bidirecional permite que o decodificador processe dados de séries temporais em ambas as direções (frente e trás), capturando mudanças de fase transitórias causadas pela dispersão modal.

Principais Contribuições

• Segurança de Camada Física via Pegadas Topológicas: O artigo introduz um mecanismo de segurança onde os dados são mapeados para sequências harmônicas únicas. A interceptação não autorizada torna-se ineficaz porque, sem os pesos neurais específicos treinados do receptor Bi-LSTM, os padrões de interferência de alta dimensão são matematicamente indistinguíveis do ruído de fundo.
• Equalização Definida por Software: O trabalho demonstra que o aprendizado profundo pode contornar matematicamente falhas de hardware físico (como a rugosidade da parede lateral do guia de onda) e turbulência atmosférica extrema, eliminando a necessidade de hardware de correção óptica complexo.
• Resiliência a Ruído Extremo: A arquitetura é projetada para funcionar sob Relações Sinal-Ruído (SNR) de aproximadamente 0 dB, onde a amplitude do ruído iguala ou excede a amplitude do sinal.

Resultos
Simulações numéricas submeteram a arquitetura OAM-NET a testes de estresse extremos, simulando imperfeições reais de hardware e turbulência severa de FSO com ruído Gaussiano mascarando o sinal original.

• Desempenho de Treinamento: O modelo Bi-LSTM foi treinado ao longo de 25 épocas usando o otimizador Adam e perda de entropia cruzada categórica.
• Precisão de Decodificação: Apesar da degradação extrema do sinal (SNR $\approx$ 0 dB), o decodificador alcançou uma precisão estável de 92,67%.
• Taxas de Erro: O modelo manteve uma perda de validação mínima de 0,2333. A taxa de erro de bit residual caiu completamente dentro do limiar corrigível dos protocolos padrão de Correção de Erros Direta (FEC).
• Conclusão da Simulação: Os resultados confirmam que o decodificador de IA pode isolar confiavelmente a pegada topológica da sequência harmônica a partir do ruído destrutivo do canal.

Significância e Alegações
O artigo afirma estabelecer uma fundação teórica e numérica para uma infraestrutura altamente resiliente e pronta para descentralização para Óptica de Espaço Livre e comunicação segura de camada física. Ao decodificar com sucesso sinais físicos sob condições de estresse extremo, o estudo afirma que a combinação de estados OAM contra-propagantes de alta dimensão com equalizadores espaço-temporais orientados por IA oferece uma solução robusta para a dispersão modal. A significância reside em provar que as limitações do hardware físico podem ser superadas através do aprendizado profundo, forneando uma base matemática e escalável para redes ópticas de próxima geração.