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

高速互联网的世界依赖于一个简单而强大的理念：在同一根细小的玻璃纤维中传输更多的数据。几十年来，工程师们一直在通过在光纤中填充更多颜色的光，来挑战单根光纤所能承载信息量的极限。然而，这种方法存在一个物理上的天花板。为了实现突破，科学家们正转向空间本身，使用一种被称为“空间复用”（space-division multiplexing）的技术。他们不再仅仅使用一条光路径，而是使用包含多个微小通道（或称“芯”）并排运行的光纤。在其中一些先进的光纤中，这些芯被放置得非常靠近，以至于其中一个芯中的光会自然地渗透到相邻的芯中。这种强烈的连接迫使光波作为一个统一的模式——即“超模”（supermode）——共同旅行。虽然这提供了一种倍增容量的方法，但也引入了一个新问题：环境因素。正如长路可能会在卡车的重量或阳光的热量下发生形变一样，这些光纤也会因温度变化、弯曲或扭转而发生轻微的形状改变。这些微小的偏移会改变光波混合的方式，除非接收器能够不断地重新学习新的模式，否则数据将会变得混乱。

阿卜杜拉·居尔大学（Abdullah Gül University）的一位研究人员开发出了一种处理这种混乱的新方法，利用人工智能在不使处理数据的计算机系统过载的情况下，保持数据流的清晰。在他们的工作中，他们解决了在这些强耦合光纤中维持秩序的挑战，在这些光纤中，光的路径是在不断漂移的。他们提出了一种接收器，该接收器并不试图在问题发生后通过大规模、缓慢的计算来修复混乱，而是使用一个紧凑、智能的神经网络，来精确预测光在任何给定时刻是如何混合的。通过学习信号模式当前的形状，该系统可以在繁重的纠错工作开始之前，瞬间将数据旋转回其正确的对齐状态。这种方法允许系统使用更简单的滤波器来清理信号，使得将这些高容量光纤扩展到数十个芯而不至于让处理能力需求失控成为可能。

研究人员通过详细的计算机模拟测试了他们的想法，这些模拟模拟了现实世界条件下长距离传输的情况。他们模拟了一根具有六个芯的光纤，传输以一种被称为 16-QAM 的复杂格式编码的数据，并使信号承受实际电缆中发生的随机抖动和拉伸。他们将这种新的 AI 辅助方法与两种旧方法进行了对比。第一种是静态方法，它假设光模式永远不会改变，因此在光纤发生漂移时很快就会失效。第二种是传统的基于强大自适应滤波器的法，用于修复混合情况，但这需要巨大的计算能力，且随着增加的芯数，这种需求呈指数级增长。模拟结果显示，新的 AI 方法成功追踪了不断变化的模式。在 1,500 公里的距离内，AI 辅助接收器实现的误码率显著低于静态方法，并接近了重型传统系统的性能，同时提供了大幅降低的复杂度。

这一发现之所以特别重要，是因为它改变了处理过程背后的数学逻辑。在传统方法中，向光纤中添加更多芯意味着计算机必须进行二次方级别的额外工作，这意味着每增加一个通道，计算量就会翻倍再翻倍。相比之下，新方法实现了线性扩展。它通过首先识别当前模式，然后对信号的每个部分应用简单的、独立的修正来处理问题。这意味着，当光纤系统扩展到包含 12 个或 24 个芯时，新方法依然保持高效，而旧方法则会变得运行缓慢且成本高昂。研究证实，通过使用轻量级神经网络来理解光的物理行为，工程师可以构建出既能对抗环境变化又具备计算效率的接收器。

研究人员不仅仅停留在理论层面；他们构建了一个完整的模拟框架，其中包括随机数据的生成、光在具有现实缺陷的光纤中的传播，以及信号的最终解码。他们发现，AI 网络可以学习接收端接收到的混乱、混合信号与它们所代表的清晰原始模式之间的关系。一旦网络识别出这种关系，它就能有效地解开信号，从而使系统的其余部分能够使用更短、更简单的滤波器进行工作。这种结合了对光传播物理理解与机器学习模式识别能力的混合方法，提供了一条切实可行的路径。它表明，未来的高容量网络可以通过这种方式，在无需在每个接收器中内置不可能规模的超级计算机的情况下，应对物理世界不可避免的漂移。这项工作证明，对于强耦合光纤而言，解锁巨大容量的关键不在于蛮力，而在于对光自身不断变化的本质进行智能、自适应的追踪。