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

技术摘要：人工智能驱动的反向传播 OAM 态时空解码

问题陈述
传统的通信网络正接近非线性香农极限，面临着容量受限以及物理拦截风险。虽然利用轨道角动量（OAM）的空间划分复用（SDM）在理论上提供了无限的正交信道，但其在实际部署中受到模态色散、模态间串扰以及相位畸变的阻碍。这些畸变源于光子集成电路（PIC）中的制造缺陷以及自由空间光学（FSO）中的大气湍流。此外，对算法加密协议的依赖使得基础设施在面对未来的量子计算解密威胁时显得脆弱。核心挑战在于开发一种本质上安全且能抵御严重硬件缺陷和噪声的物理层架构，且无需依赖复杂的、易出错的光学硬件进行信号均衡。

方法论：OAM-NET 架构
本文提出了“OAM-NET”，这是一种混合时空网络，旨在将信号均衡的负担从光学硬件转移到软件定义的神经网络。该方法依赖于三个主要组件：

1. 反向传播 OAM 超叠加： 系统并非传输可变的空域模式，而是利用高阶、反向传播拓扑电荷（$l = +21$ 和 $l = -21$）的相干叠加。这种干涉产生了一个稳定的、花瓣状的强度图案。
2. 旋转多普勒编码： 信息并非编码在空间形状中，而是编码在由旋转多普勒效应控制的干涉图案的旋转相位速度中。数据负载被映射到特定的旋转速度谐波序列：$v \in \{9, 6, 3\}$。时域干涉信号 $I(t)$ 由拓扑电荷差（$\Delta l = 42$）导致的频率偏移定义，模型为 $I(t) \propto \cos(2\pi \cdot v \cdot \Delta l \cdot t + \phi_{drift}) + N(t)$，其中 $\phi_{drift}$ 解释了硬件不稳定性，而 $N(t)$ 代表信道噪声。
3. 人工智能驱动解码（Bi-LSTM）： 为了在恶劣条件下重建编码状态，采用了双向长短期记忆（Bi-LSTM）神经网络。该架构包括：
   • 用于处理序列时空干涉数据的输入层。
   • 两个隐藏层（分别为 64 和 32 个单元），并带有 0.3 的 Dropout 正则化以防止过拟合。
   • 具有 Softmax 激活函数的全连接输出层，用于螺旋速度的多类分类。
     双向结构允许解码器在正向和反向两个方向处理时间序列数据，从而捕捉由模态色散引起的瞬态相位偏移。

核心贡献

• 通过拓扑特征实现的物理层安全： 本文引入了一种安全机制，将数据映射到独特的谐波序列。由于在没有经过特定训练的 Bi-LSTM 接收机权重的情况下，高维干涉图案在数学上与背景噪声无法区分，因此拦截行为将变得无效。
• 软件定义均衡： 本研究证明了深度学习可以从数学上绕过物理硬件缺陷（如波导侧壁粗糙度）和极端大气湍流，从而消除了对复杂光学校正硬件的需求。
• 对极端噪声的韧性： 该架构旨在信噪比（SNR）约为 0 dB 的条件下运行，即噪声幅度等于或超过信号幅度。

结果
数值模拟对 OAM-NET 架构进行了极端压力测试，模拟了真实的硬件缺陷和严重的 FSO 湍流，其中高斯噪声掩盖了原始信号。

• 训练性能： Bi-LSTM 模型使用 Adam 优化器和类别交叉熵损失函数进行了 25 个轮次的训练。
• 解码准确率： 尽管存在极端的信号退化（SNR $\approx$ 0 dB），解码器仍实现了 92.67% 的稳定准确率。
• 错误率： 模型保持了 0.2333 的极低验证损失。残余比特错误率完全处于标准前向纠错（FEC）协议的可纠正阈值之内。
• 模拟结论： 结果证实，AI 解码器能够可靠地从破坏性的信道噪声中分离出谐波序列的拓扑特征。

意义与主张
本文声称为自由空间光学和安全物理层通信建立了一个高度韧性的、具备去中心化能力的理论与数值基础。通过在极端压力条件下成功解码物理信号，本研究断言，通过结合高维反向传播 OAM 态与人工智能驱动的时空均衡器，可以为解决模态色散提供稳健的解决方案。其意义在于证明了可以通过深度学习克服物理硬件限制，为下一代光学网络提供一个可扩展且在数学上安全的硬件骨干。