AI-Assisted Supermode Tracking and Low-Complexity Equalization in Strongly Coupled Multicore Fiber Transmission Systems

O mundo da internet de alta velocidade baseia-se numa ideia simples, mas poderosa: enviar mais dados através da mesma fina mecha de vidro. Durante décadas, os engenheiros têm impulsionado os limites de quanta informação um único cabo de fibra ótica pode transportar, ao concentrar mais cores de luz nele. No entanto, existe um limite físico para esta abordagem. Para romper essa barreira, os cientistas estão a recorrer ao próprio espaço, utilizando uma técnica chamada multiplexação por divisão de espaço. Em vez de apenas um caminho para a luz, estão a utilizar fibras que contêm múltiplos canais minúsculos, ou núcleos, a correr lado a lado. Em algumas destas fibras avançadas, os núcleos são colocados tão próximos uns dos outros que a luz de um núcleo naturalmente se infiltra nos seus vizinhos. Esta forte ligação força as ondas de luz a viajarem juntas como um padrão único e unificado, conhecido como supermodo. Embora isto ofereça uma forma de multiplicar a capacidade, introduz um novo problema: o ambiente. Tal como uma estrada longa pode deslocar-se sob o peso de um camião ou o calor do sol, estas fibras mudam ligeiramente de forma devido a variações de temperatura, curvaturas ou torções. Estas pequenas mudanças alteram a forma como as ondas de luz se misturam, desordenando os dados, a menos que o recetor consiga reaprender constantemente o novo padrão.

Um investigador da Universidade Abdullah Gül desenvolveu uma nova forma de lidar com esta desordem, utilizando inteligência artificial para manter o fluxo de dados limpo sem sobrecarregar os sistemas informáticos que o processam. No seu trabalho, abordaram o desafio de manter a ordem nestas fibras fortemente acopladas, onde o caminho da luz está em constante deriva. Propuseram um recetor que não tenta corrigir a confusão depois de ela acontecer com cálculos massivos e lentos. Em vez disso, utiliza uma rede neuronal compacta e inteligente para prever exatamente como a luz se está a misturar num dado momento. Ao aprender a forma atual do padrão do sinal, o sistema consegue rodar instantaneamente os dados de volta para o seu alinhamento correto antes que o trabalho pesado de correção de erros comece. Esta abordagem permite que o sistema utilize filtros muito mais simples para limpar o sinal, tornando possível escalar estas fibras de alta capacidade para dezenas de núcleos sem que a necessidade de poder de processamento cresça de forma descontrolada.

O investigador testou a sua ideia através de simulações computacionais detalhadas que mimetizavam condições do mundo real ao longo de longas distâncias. Modelaram uma fibra com seis núcleos, enviando dados codificados num formato complexo conhecido como 16-QAM, e sujeitaram o sinal ao tipo de oscilação e alongamento aleatórios que acontecem em cabos reais. Compararam o seu novo método assistido por IA com duas abordagens mais antigas. A primeira era um método estático que assumia que o padrão de luz nunca mudava, o qual falhava rapidamente à medida que a fibra derivava. A segunda era um método tradicional que utilizava filtros adaptativos poderosos para corrigir a mistura, mas este exigia uma quantidade enorme de poder computacional que crescia exponencialmente à medida que mais núcleos eram adicionados. As simulações mostraram que o novo método assistido por IA acompanhou com sucesso os padrões mutáveis da luz. Ao longo de uma distância de 1.500 quilómetros, o recetor assistido por IA alcançou uma taxa de erro significativamente inferior ao método estático e aproximou-se do desempenho do sistema tradicional de alta capacidade, oferecendo, simultaneamente, uma complexidade substancialmente reduzida.

O que torna esta descoberta particularmente significativa é a forma como ela altera a matemática por trás do processamento. Na abordagem tradicional, adicionar mais núcleos à fibra significava que o computador tinha de realizar uma quantidade quadrática de trabalho extra, ou seja, o esforço duplicava e duplicava novamente a cada novo canal. O novo método, pelo contrário, escala linearmente. Trata o problema identificando primeiro o padrão atual e aplicando depois correções simples e independentes a cada parte do sinal. Isto significa que, à medida que os sistemas de fibra crescem para incluir doze ou vinte e quatro núcleos, o novo método permanece eficiente, enquanto o antigo se tornaria demasiado lento e caro de operar. O estudo confirma que, ao utilizar uma rede neuronal leve para compreender o comportamento físico da luz, os engenheiros podem construir recetores que são simultaneamente robustos contra mudanças ambientais e computacionalmente enxutos.

O investigador não se limitou à teoria; construiu um quadro de simulação completo que incluía a geração de dados aleatórios, a propagação da luz através de uma fibra com imperfeições realistas e a decodificação final do sinal. Descobriu que a rede de IA conseguia aprender a relação entre os sinais desordenados e misturados que chegavam ao recetor e os padrões originais limpos que representavam. Uma vez que a rede identificasse esta relação, podia efetivamente desenredar o sinal, permitindo que o resto do sistema trabalhasse com filtros muito mais curtos e simples. Esta abordagem híbrida, que combina a compreensão física de como a luz viaja com o poder de reconhecimento de padrões da aprendizagem automática, oferece um caminho prático a seguir. Sugere que as futuras redes de alta capacidade podem lidar com a deriva inevitável do mundo físico sem a necessidade de construir supercomputadores impossivelmente grandes em cada recetor. O trabalho demonstra que, para fibras fortemente acopladas, a chave para desbloquear uma capacidade massiva não reside na força bruta, mas sim no rastreio inteligente e adaptativo da própria natureza mutável da luz.