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

技术摘要：部署型架空-地下光纤连接中光信号极化漂移的分析

问题陈述
极化漂移仍然是已部署光纤基础设施在量子通信领域面临的一个关键挑战，其中需要精确的亚秒级极化稳定，以维持高纠缠吞吐量和保真度。与利用极化保持光纤和数字信号处理来减轻漂移的传统多太比特系统不同，运行在标准部署基础设施上的量子网络面临着高度随机且非平稳的极化变化。这些漂移是由环境因素（特别是温度、湿度和风速）驱动的，这些因素会导致折射率调制和光弹性效应，从而引起空间不均匀的双折射和态极化（SOP）旋转。尽管之前的研究已经对纯架空或埋地光纤进行了表征，但对于跨越多个季节的混合架空-地下连接，在利用环境测量而非仅仅进行预测来进行漂移特征估计方面，仍缺乏长期分析。

方法论
作者对位于橡树岭国家实验室（Oak Ridge National Laboratory）的一条 15 公里混合架空-地下光纤连接进行了为期 11 个月（2024 年 12 月至 2025 年 11 月）的研究。

• 数据采集： 通过光纤传输了一个连续波 1550 nm 极化信号。连续收集了线性基（水平-垂直）斯托克斯（Stokes）测量数据。数据使用多 FFT 信号表征设备进行处理，每 45 分钟生成一次快速傅里叶变换（FFT），分辨率为 mHz（0.37-mHz 间隔）。
• 特征提取： 从 FFT（特别是涵盖 0 到 0.76 Hz 的 $Y_{Hz}$ 数据集）中提取了全局频谱特征：频谱面积（$Y_{Area}$）、频谱质心（$Y_{sp,cen}$）、频谱方差（$Y_{sp,var}$）、频谱熵（$Y_{sp,ent}$）以及 $f^{-\beta}$ 趋势的 $\beta$ 指数。
• 环境输入： 从本地气象站以 2 分钟间隔收集气象数据（温度、相对湿度、风速）。输入特征包括当前值、45 分钟间隔的变化量（$\Delta$）以及一天中的时间。
• 理论框架： 开发了一个基于随机微分方程和 $SO(3)$ 旋转算子的理论模型，将 SOP 漂移描述为由环境变量驱动的酉旋转乘积。该模型通过强调漂移的非线性、乘性噪声性质以及光纤层的延迟热响应，为机器学习方法提供了指导。
• 机器学习： 采用随机森林回归器将频谱特征（$Y$）估计为环境历史（$X$）的函数。研究对比了无滞后输入与滞后输入（4 小时间隔，1 天历史），以解释光纤和外部材料（如冰、尘土）的热平衡时间。性能评估使用均方根对数误差（RMSLE）针对基准估计器（仅考虑一天中的时间以及移动平均组合）进行。

主要贡献与结果

1. 昼夜与季节性表征： 分析揭示了频谱面积（$Y_{Area}$）具有显著的昼夜结构，其白天的峰值与温度、风速的峰值以及湿度的低谷相对应。夜间水平始终较低。季节性现象十分显著，夏季的平均值和方差高于冬季。
2. 频谱特性： FFT 特性表明存在强烈的乘性噪声，信号集中在 0.76 Hz 窗口的 5.1% 范围内。$\beta$ 指数在 1.0 左右（闪烁噪声），在冬季由于风诱发现象（如冰覆光纤中的颤振/galloping）导致出现更频繁的下降。
3. 环境依赖性：
   • 一天中的时间与温度： 对频谱面积表现出最强的依赖性。
   • 风速： 在冬季对频谱质心和 $\beta$ 指数表现出最强的依赖性。
   • 异方差性： 频谱面积的方差是非平稳的，随季节温度增加而增大，这支持了理论模型，即较高的温度使光纤更容易受到应力诱导双折射变化的影响。
4. 机器学习性能：
   • 随机森林估计器在 RMSLE 下，测试集与训练集之间的整体差距很小（相对误差 <2%）。
   • 包含滞后环境数据（以 4 小时为间隔的 24 小时历史记录）提高了估计精度，特别是针对夜间的低谷，因为它考虑了光纤的延迟热响应。
   • 估计器成功捕捉了昼夜循环和季节趋势，但在预测尖锐次峰值的精确振幅方面存在困难，这些次峰值可能是由固有噪声或未建模的高频环境依赖性驱动的。
   • 仅使用一天中时间数据的基线模型在冬季表现较差，证实了环境变量对于跨季节准确估计的必要性。

意义与主张
本文声称提供了一种对混合架空-地下光纤中极化漂移进行全面表征的方法，弥合了理论模型与经验机器学习估计之间的差距。其主要意义在于证明了尽管存在高噪声和非平稳信号，环境测量仍可用于可靠地估计（相对误差 <2%）极化漂移特征的确定性部分。

作者断言，其框架实现了“天气感知预测”的 SOP 漂移特征。这种能力被呈现为量子网络中链路状态监测与控制的工具，可能允许根据环境遥测数据进行主动调度、路由以及优化极化控制参数（例如 PID 调优）。研究强调，虽然由于噪声的存在，绝对预测整个信号非常困难，但估计与天气相关的特征期望值是一种可行且有价值的方法，用以维持网络稳定性。该工作并不声称要消除对主动极化补偿的需求，而是建议环境估计可以增强此类系统的效率和鲁棒性。