Machine Learning Compensation of Fiber Nonlinear Noise
Notice bibliographique
Résumé
Abstract This paper examines artificial intelligence (AI) methods for compensating the distortion experienced in optical communication systems resulting from fiber nonlinearity. To identify the resulting degree of improvement afforded by machine learning methods, the procedures are applied to a model of a typical single frequency optical communication system with, a 3200km fiber length, double polarization, and a 16-QAM modulation format. The performance of transmitters and receivers that incorporate Neural Networks (NNs) are in particular examined for different values of the nonlinear coefficient \(\left(\gamma \right)\). Both of these are found to improve the system Q-factor for all values of\(\gamma\) although the degree of enhancement is dependent on the signal to noise ratio. The structures studied include Siamese neural networks (SNN) implemented at the receiver end and two-stage architectures that employ NNs at the transmitter together with a classifier at the receiver side. Here classifiers ranging from simple decision tree structures to boosting, forests, extra trees, and Multi-layer perceptron (MLP) were examined and found to provide significant enhancement for \(\gamma >\) \(4{W}^{-1}k{m}^{-1}\). The optimal performance for highly nonlinear systems was achieved with two-stage systems with random forest or extra tree AI methods at the receiver. Empirical equations are also presented for each AI technique that relates the Q-factor enhancement to \(\gamma\) and the computational resource requirements (the number of included triplet terms).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».