論文の概要: Link-adaptive digital twin for robust physical-layer modeling in hybrid-amplified ultra-wideband optical networks

• arxiv url: http://arxiv.org/abs/2608.10517v1
• Date: Tue, 11 Aug 2026 05:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.920093
• Title: Link-adaptive digital twin for robust physical-layer modeling in hybrid-amplified ultra-wideband optical networks
• Title（参考訳）: ハイブリッド増幅超広帯域光ネットワークにおけるロバスト物理層モデリングのためのリンク適応ディジタルツイン
• Abstract要約: 本稿では,ハイブリッド増幅超広帯域リンクのためのリンク適応型ディジタルツイン(LA-DT)を提案する。 多様なリンクをまたいだ高精度なモデリングとロバストな一般化信号-雑音比推定を実現する。
• 参考スコア（独自算出の注目度）: 18.113276422749546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate physical-layer modeling is increasingly essential for reliable ultra-wideband operation and capacity optimization, especially under the intensified inter-channel stimulated Raman scattering (ISRS) effect. This paper proposes the link-adaptive digital twin (LA-DT) for hybrid-amplified ultra-wideband links to overcome the generalization and speed limitations of existing methods, achieving accurate modeling and robust generalized signal-to-noise ratio (GSNR) estimation across diverse links. First, to address EDFA heterogeneity, the GSNR modeling task is decomposed into three key power predictions: ASE, NLI, and signal powers before EDFA entry. Second, to enhance cross-scenario generalization, three dedicated DT models are developed using a novel neural architecture with linear modulation layers (LMLs). Third, for rapid adaptation to unseen scenarios with limited data, three domain discriminators guide few-shot fine-tuning of the LMLs. Fourth, the LA-DT explicitly accounts for Raman amplifier (RA) insertion loss, improving practical deployment reliability. Results across 35 scenarios show that LA-DT reduces RMSE for NLI, ASE, and signal power predictions to 0.151, 0.111, and 0.113 dBm with improvements of 56.0%, 58.4%, and 52.7% over the baseline,and achieves an average GSNR estimation RMSE of 0.114 dBm (55.8% improvement). For 12 unseen scenarios, the LA-DT maintains high accuracy through few-shot fine-tuning with only 20 samples per scenario, achieving an average GSNR RMSE of 0.159 dB and demonstrating strong adaptability and robustness.
• Abstract（参考訳）: 精度の高い物理層モデリングは、信頼性の高い超広帯域演算とキャパシティ最適化において、特に高強度チャネル間ラマン散乱(ISRS)効果下ではますます不可欠である。 本稿では,ハイブリッド増幅超広帯域リンクのためのリンク適応型ディジタルツイン (LA-DT) を提案する。 まず、EDFAの不均一性に対処するため、GSNRモデリングタスクをASE、NLI、信号パワーの3つの重要なパワー予測に分解する。 次に,線形変調層 (LML) を持つニューラルアーキテクチャを用いて,3つの専用DTモデルを開発した。 第三に、限られたデータで見えないシナリオに迅速に適応するために、3つのドメイン識別器がLMLを数ショットの微調整する。 第4に、LA-DTはラマン増幅器(RA)の挿入損失を明示的に説明し、実際の配備信頼性を改善した。 35のシナリオにわたる結果は、LA-DTがNLI、ASE、信号パワー予測のRMSEを0.151、0.111、0.113dBmに削減し、ベースライン上では56.0%、58.4%、52.7%の改善を達成し、平均GSNR推定RMSEが0.114dBm(55.8%改善)となることを示している。 12の未確認シナリオに対して、LA-DTは、シナリオ当たり20のサンプルで数発の微調整を行い、平均GSNR RMSE 0.159 dBを達成し、強い適応性と堅牢性を示すことで、高い精度を維持している。

関連論文リスト

• A Unified Resolution-Conditioned Framework for Orthogonal Line-Scanning Image Fusion [5.000212382506099]
  ランク強化線形注意(RELA)に基づく分解能条件融合フレームワークを提案する。 また,アダプティブRELAを導入し,固定カーネルのランク向上を,比条件付きマルチスケール深度畳み込みに置き換える。 結果のモデルでは、構成間で34-40dBのPSNRが達成される一方、無条件のマルチスリットトレーニングは24.3dBに崩壊し、スリットスペシャリストはトレーニング設定外で4-9dBを失う。
  論文  参考訳（メタデータ） (2026-08-04T04:28:39Z)
• Wideband Power Amplifier Behavioral Modeling Using an Amplitude Conditioned LSTM [0.0]
  本稿では,広帯域PAダイナミクスのモデリングを強化するために,新しい振幅条件付き長短短期メモリ(AC-LSTM)ネットワークを提案する。 このアーキテクチャでは、LSTMのリザーブゲートを瞬時に入力振幅に設定する機能ワイド線形変調層が組み込まれている。 100MHzの5G NR信号とGaN PAを用いた実験により、提案したAC-LSTMが-41.25 dBの正規化平均二乗誤差(NMSE)を達成することを示す。
  論文  参考訳（メタデータ） (2026-02-17T20:16:11Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
  本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。 どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。 32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
  論文  参考訳（メタデータ） (2025-10-22T07:59:38Z)
• DoRAN: Stabilizing Weight-Decomposed Low-Rank Adaptation via Noise Injection and Auxiliary Networks [47.58150560549918]
  重み分解低ランク適応(DoRA)は,バニラ低ランク適応(LoRA)法の学習能力と訓練安定性の両方を改善することが示されている。 そこで本研究では,DoRAのトレーニングを安定化し,サンプル効率を向上させるため,新しいDoRAの派生型であるDoRANを提案する。
  論文  参考訳（メタデータ） (2025-10-05T19:27:48Z)
• OpenDPDv2: A Unified Learning and Optimization Framework for Neural Network Digital Predistortion [10.484441707788127]
  本稿では,PAモデリング,PD学習,モデル最適化のための統合フレームワークであるOpenDPDv2を提案する。 最適化手法は、2つのエネルギー効率の良い手法と共に、新しいDPDアルゴリズムであるTRes-DeltaGRUを特徴としている。
  論文  参考訳（メタデータ） (2025-07-09T13:54:47Z)
• Hybrid Adversarial Spectral Loss Conditional Generative Adversarial Networks for Signal Data Augmentation in Ultra-precision Machining Surface Roughness Prediction [2.635385344076311]
  本稿では,効率的なUPMデータ拡張のためのハイブリッド逆スペクトル損失CGANであるHAS-CGANを提案する。 Hass-CGANは、特に高周波信号に対して、1次元の力信号生成に優れる。 従来のML(SVR, RF, LSTM)とディープラーニングモデル(BPNN, 1DCNN, CNN-Transformer)による実験では、520以上の合成サンプルでトレーニングデータを増強することで予測誤差が31.4%から9%に減少することを示した。
  論文  参考訳（メタデータ） (2025-07-07T05:10:46Z)
• FrFT based estimation of linear and nonlinear impairments using Vision Transformer [10.615067455093516]
  非線形信号対雑音比(SNRNL)、光信号対雑音比(OSNR)、色分散(CD)、差分群遅延(DGD)の4つの重要な障害を共同で評価することが不可欠である。 提案手法は,光学性能モニタリング(OPM)分野における顕著な進歩を示すとともに,広い範囲にわたる線形および非線形障害の正確な推定を実現する。
  論文  参考訳（メタデータ） (2023-08-25T09:59:35Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Improving Generalization of Deep Neural Network Acoustic Models with Length Perturbation and N-best Based Label Smoothing [49.82147684491619]
  音声認識(ASR)のためのディープニューラルネットワーク(DNN)音響モデルの一般化を改善する2つの手法を提案する。 長さ摂動 (Longth perturbation) は、音声特徴系列の長さを変更するために音声のフレームをランダムにドロップして挿入するデータ拡張アルゴリズムである。 N-bestに基づくラベルスムーシングは、n-best仮説からノイズラベルが生成される過度な適合を避けるために、トレーニング中にグラウンド・真理ラベルにランダムにノイズを注入する。
  論文  参考訳（メタデータ） (2022-03-29T01:40:22Z)

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。