Deep Learning-Assisted Nonlinearity Compensation in Subcarrier-Multiplexing Coherent Optical Systems
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
Fiber nonlinearity imposes limitations on the transmission distances in optical fiber networks. Fiber nonlinearity compensation (NLC) becomes essential for extending the transmission reach; however, conventional methods like digital backpropagation (DBP) experience challenges related to the intricacies of computational demands. To mitigate the fiber nonlinearity cost-effectively, subcarrier multiplexing (SCM) emerges as a promising solution compared to single-carrier systems. However, the SCM performance is limited by nonlinear effects such as self-subcarrier nonlinearity (SSN) and cross-subcarrier nonlinearity (CSN). In previous studies, a combination of SCM with DBP, named SCM-DBP, has been employed to address these issues. Concurrently, deep learning-assisted NLC, for example, learned DBP (LDBP), has shown promise in enhancing performance and reducing complexity. In this paper, we aim to apply learning to the SCM-DBP by holistically combining the principles of the SCM-DBP and LDBP approaches, denoted as SCM-LDBP, to mitigate SSN and CSN cost-effectively. To investigate the efficacy of our proposed SCM-LDBP technique, we carry out numerical simulations for both a contemporary 32 Gbaud and a strategic 120 Gbaud SCM transmission system over a 1600 km optical fiber link. With only two interfering subcarriers in the back-propagation routine, our proposed SCM-LDBP demonstrates a 0.3 dB <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Q</i> factor improvement and a 31.7% complexity reduction in the 32 Gbaud system when compared to the SCM-DBP. Similarly, in the 120 Gbaud system, the proposed SCM-LDBP demonstrates a 0.2 dB <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Q</i> factor improvement and a 37.8% reduction in complexity over the SCM-DBP technique.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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