論文の概要: Fast and accurate waveform modeling of long-haul multi-channel optical
fiber transmission using a hybrid model-data driven scheme
- arxiv url: http://arxiv.org/abs/2201.05502v1
- Date: Wed, 12 Jan 2022 06:10:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-17 15:31:37.546454
- Title: Fast and accurate waveform modeling of long-haul multi-channel optical
fiber transmission using a hybrid model-data driven scheme
- Title（参考訳）: ハイブリッドモデルデータ駆動方式を用いた長距離多チャンネル光ファイバ伝送の高速・高精度波形モデリング
- Authors: Hang Yang, Zekun Niu, Haochen Zhao, Shilin Xiao, Weisheng Hu and Lilin
Yi
- Abstract要約: 提案手法は,光打ち上げ能力,変調形式,チャネル数,伝送距離に高い精度,高速,ロバストな能力を有することを示す。
その結果、非線形ファイバーモデリングの顕著な改善と、NLSEのような偏微分方程式の解法と光ファイバ物理問題に対する新しい視点の開拓が示された。
- 参考スコア（独自算出の注目度）: 3.771681732160885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modeling of optical wave propagation in optical fiber is a task of fast
and accurate solving the nonlinear Schr\"odinger equation (NLSE), and can
enable the research progress and system design of optical fiber communications,
which are the infrastructure of modern communication systems. Traditional
modeling of fiber channels using the split-step Fourier method (SSFM) has long
been regarded as challenging in long-haul wavelength division multiplexing
(WDM) optical fiber communication systems because it is extremely
time-consuming. Here we propose a linear-nonlinear feature decoupling
distributed (FDD) waveform modeling scheme to model long-haul WDM fiber
channel, where the channel linear effects are modelled by the NLSE-derived
model-driven methods and the nonlinear effects are modelled by the data-driven
deep learning methods. Meanwhile, the proposed scheme only focuses on one-span
fiber distance fitting, and then recursively transmits the model to achieve the
required transmission distance. The proposed modeling scheme is demonstrated to
have high accuracy, high computing speeds, and robust generalization abilities
for different optical launch powers, modulation formats, channel numbers and
transmission distances. The total running time of FDD waveform modeling scheme
for 41-channel 1040-km fiber transmission is only 3 minutes versus more than 2
hours using SSFM for each input condition, which achieves a 98% reduction in
computing time. Considering the multi-round optimization by adjusting system
parameters, the complexity reduction is significant. The results represent a
remarkable improvement in nonlinear fiber modeling and open up novel
perspectives for solution of NLSE-like partial differential equations and
optical fiber physics problems.
- Abstract（参考訳）: 光ファイバにおける光伝搬のモデル化は、非線形schr\"odinger方程式(nlse)の高速かつ高精度な解法であり、現代の通信システムの基盤である光ファイバ通信の研究の進展とシステム設計を可能にする。
スプリットステップフーリエ法(SSFM)を用いた従来のファイバーチャネルのモデリングは、非常に時間を要するため、長波長分割多重化(WDM)光ファイバー通信システムにおいて困難であると考えられてきた。
本稿では, チャネル線形効果をnlseモデル駆動法でモデル化し, 非線形効果をデータ駆動型深層学習法でモデル化する長波長wdmファイバチャネルをモデル化するために, 分散(fdd)波形モデリング方式を提案する。
一方,提案手法では,1スパンのファイバ距離にのみ焦点を合わせ,再帰的にモデルを送信することで必要な伝送距離を達成する。
提案手法は,様々な光打ち上げ能力,変調形式,チャネル数,伝送距離に対して高い精度,高速な計算速度,堅牢な一般化能力を有することを示す。
41チャネル1040kmのファイバ伝送のためのFDD波形モデリングスキームの総実行時間は、入力条件毎にSSFMを使用して2時間以上たった3分であり、計算時間の98%削減を実現している。
システムパラメータの調整によるマルチラウンド最適化を考えると,複雑性の低減が重要である。
その結果, 非線形ファイバモデリングは著しく改善し, nlse様偏微分方程式や光ファイバー物理問題の解の新たな展望が開けた。
関連論文リスト
- Principle Driven Parameterized Fiber Model based on GPT-PINN Neural Network [5.452279754228114]
本論文では,原理駆動型パラメタライズドファイバモデルを提案する。
このモデルは、予測されたNLSE解を1組の伝送条件から複数の固有解の線形結合に分解する。
強い物理的解釈可能性を持つだけでなく、より高い計算効率を得ることができる。
論文 参考訳（メタデータ） (2024-08-19T12:44:00Z) - Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。
長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。
本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T12:40:01Z) - Shaping Single Photons through Multimode Optical Fibers using Mechanical
Perturbations [55.41644538483948]
単一の光子の形状と絡み合った光子対間の空間的相関を制御するための全ファイバーアプローチを示す。
これらの摂動を最適化し、単一光子の空間分布や光子対の空間相関を1箇所に局在させる。
論文 参考訳（メタデータ） (2023-06-04T07:33:39Z) - Reliable Beamforming at Terahertz Bands: Are Causal Representations the
Way Forward? [85.06664206117088]
マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。
既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。
ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
論文 参考訳（メタデータ） (2023-03-14T16:02:46Z) - Digital Over-the-Air Federated Learning in Multi-Antenna Systems [30.137208705209627]
デジタル変調とオーバー・ザ・エア計算(AirComp)を用いた現実的な無線通信システム上でのフェデレーション学習(FL)の性能最適化について検討する。
本稿では,デジタル変調とAirCompを組み合わせたFedAvg(FedAvg)アルゴリズムを提案する。
人工ニューラルネットワーク(ANN)は、すべてのデバイスの局所FLモデルを推定し、将来のモデル伝送のためにPSのビーム形成行列を調整するために使用される。
論文 参考訳（メタデータ） (2023-02-04T07:26:06Z) - Random Orthogonalization for Federated Learning in Massive MIMO Systems [85.71432283670114]
大規模マルチインプット・マルチアウトプット(MIMO)無線システムにおいて,フェデレートラーニング(FL)のための新しい通信設計を提案する。
ランダム直交化の主な特徴は、FLの密結合と、チャネル硬化と良好な伝播の2つの特徴から生じる。
我々は、この原理をダウンリンク通信フェーズに拡張し、FLの簡易かつ高効率なモデル放送法を開発する。
論文 参考訳（メタデータ） (2022-10-18T14:17:10Z) - SNR optimization of multi-span fiber optic communication systems
employing EDFAs with non-flat gain and noise figure [0.0]
信号間雑音(SNR)最適化のためのマルチスパン伝送システムのコンポーネントワイズモデルを提案する。
GFFのないCバンド増幅器のゲインおよびノイズフィギュアスペクトルプロファイルについて、機械学習に基づくモデルを訓練する。
SNR平坦度を1.2dBまで同時に達成する。
論文 参考訳（メタデータ） (2021-06-07T14:09:53Z) - Federated Dropout Learning for Hybrid Beamforming With Spatial Path
Index Modulation In Multi-User mmWave-MIMO Systems [19.10321102094638]
SPIM-MIMOシステムにおけるビームフォーマー設計のためのモデルベースおよびモデルフリーフレームワークを紹介します。
提案手法は,最新のSPIM-MIMO法やmmWave-MIMO法よりも高いスペクトル効率を示す。
論文 参考訳（メタデータ） (2021-02-15T10:49:26Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z) - Fast and Accurate Optical Fiber Channel Modeling Using Generative
Adversarial Network [2.8821682752466975]
ファイバチャネル伝達関数の分布を学習するために, GAN(Generative Adversarial Network)について検討した。
GANは、異なる光打ち上げ能力、変調フォーマット、入力信号分布の下で堅牢な一般化能力を示す。
論文 参考訳（メタデータ） (2020-02-28T10:54:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。