Low-complexity Soft-decision LLR Calculations for Next-generation IM-DD Systems with RIN
本文提出了一种用于计算受相对强度噪声（RIN）主导的强度调制-直接检测（IM-DD）系统中对数似然比（LLR）的低复杂度分段线性近似方法，证明了该方法在避免因假设信号无关噪声而产生的显著性能惩罚的同时，能够达到与精确 LLR 计算相同的纠错性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界的隐秘动脉中，人工智能与全球商业在此交汇流动，数据通过短促的光脉冲以惊人的速度进行传输。这些被称为数据中心互连（DCI）的连接，是数字时代的神经系统，在同一建筑内或附近的设施间的服务器之间传输海量信息。为了保持低成本并使功耗处于可控范围，工程师们依赖一种特定的发送数据的方法：他们通过改变激光的亮度来代表信息，这种技术被称为强度调制（intensity modulation）。接收端只需测量光的亮度即可解码信息。这种方法效果良好，但随着对速度需求的增长，即数据速率不断提高，光源本身的一个细微缺陷开始引发麻烦。用于产生这些信号的激光器并非完全稳定；它们会伴随一种被称为相对强度噪声（relative intensity noise）的随机噪声而闪烁。这种闪烁并非恒定不变；当激光更亮时，噪声会变得更严重，这意味着噪声取决于信号本身。这创造了一个棘手的环境，即读取数据的规则会根据光在任何给定时刻的亮度而发生变化。
埃因霍芬理工大学的研究人员致力于解决在存在这种特定类型噪声时如何准确读取信号的问题。在标准场景中，工程师通常假设噪声是随机且均匀的，就像收音机里的静电一样，这使得解码信号的数学计算相对简单。然而，该团队发现，当噪声与信号的亮度挂钩时，这种简单的假设就会失效。如果接收器使用标准的、简化的数学模型来解释数据，它会产生累积性的错误，导致性能显著下降。研究人员证明，对于高速系统而言，忽略噪声随亮度变化的这一事实是一个代价高昂的错误，会导致系统在理应成功的速率下发生故障。
为了解决这个问题，该团队开发了一种计算接收到的每段数据置信度的新方法。他们并没有试图为每一个瞬间去计算一个复杂的精确公式——因为这需要过高的计算能力——也没有使用存在缺陷的简单假设，而是创造了一个聪明的捷径。他们意识到，对于解码而言最关键的时刻，是信号处于模糊边缘的时刻。通过将计算重点放在这些特定的转换点上，并在其间用直线来近似复杂的曲线，他们创造了一种既易于计算又极其准确的方法。这种方法被称为分段线性近似法（piecewise linear approximation），它使接收器能够以与复杂的精确方法相同的精度理解信号，而不会带来沉重的计算负担。
研究人员利用模拟真实光学链路行为的计算机仿真测试了他们的想法。他们对比了三种读取信号的方法：完美的但复杂的算法、忽略变化噪声的简单但有缺陷的算法，以及他们的新捷径。结果非常明确。许多现有系统使用的简单方法导致性能大幅下降。在某些情况下，其错误率比必要水平高出七倍多。就实现连接所需的物理功率而言，这一错误迫使系统使用显著更多的光强——高达 2.41 分贝——才能达到同样的可靠性。这种额外的功率需求是一个重大障碍，因为它限制了这些连接能够达到的速度和效率。
相比之下，研究人员的新捷径表现得与完美的复杂方法一样出色。在他们的仿真实验中，错误率是完全一致的，这意味着系统可以在不需要额外计算能力或额外光强的情况下，以最高效率解码数据。这一发现对于正向更高速度和更复杂信号格式迈进的下一代数据中心尤为重要。随着这些系统向其物理极限推进，能够在不浪费资源的情况下准确解码信号的能力变得至关重要。这项研究表明，通过理解噪声的真实本质并据此调整解码数学模型，工程师可以避免不必要的损失，并保持信息流的顺畅与快速。这项工作提供了一条切实可行的路径，证明了巧妙的低复杂度计算可以超越标准假设，从而确保支撑我们未来的数字基础设施保持稳健与高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。