Supervised graph convolution networks for OSNR and power estimation in optical mesh networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The optical signal-to-noise ratio (OSNR) and received optical channel power are critical parameters in determining the quality of transmission. The OSNR and received optical channel power are influenced by network impairments such as fiber loss, amplified stimulated emission noise, and nonlinear impairments. Furthermore, environmental effects and routing, modulation, and spectrum assignment schemes influence the OSNR and thus the reach of the optical channels. These impairments and effects vary with the spectral loads that are hard to predict in brownfield networks. Several deep neural network (DNN)-based methods have been explored to estimate the OSNR and nonlinear noise. However, these methods ignore the network topology. This paper bridges this gap by leveraging supervised graph convolution neural networks (GCNs), which operate directly on graphs for OSNR and received power estimation in an optical mesh network. We also develop and implement a novel graph windowed neural network (GWinN) to reduce the over-smoothing effects of a GCN and thus learn localized behaviors like fiber cuts. We apply a DNN, GCN, and GWinN in practice to a testbed of 8 reconfigurable optical add-drop multiplexers and 22 amplifiers. Our procedure accurately estimates the OSNR with a prediction error mean and a standard deviation of ( <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" display="inline"> <mml:mrow class="MJX-TeXAtom-ORD"> <mml:mo>−</mml:mo> </mml:mrow> <mml:mrow class="MJX-TeXAtom-ORD"> <mml:mn>0.02</mml:mn> </mml:mrow> <mml:mspace width="thickmathspace"/> <mml:mrow class="MJX-TeXAtom-ORD"> <mml:mi mathvariant="normal">d</mml:mi> <mml:mi mathvariant="normal">B</mml:mi> </mml:mrow> </mml:math> , 0.35 dB) for a reference OSNR ranging from (16 dB) to (24 dB).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle