Enhancing O-Band PAM Performance With a CNN at Equal Complexity to an FIR Filter
Notice bibliographique
Résumé
Multiple-level intensity-modulation with directdetection (IM/DD) is a cost-effective solution for increasing capacity within data centers and other short haul links. Conventional equalizers, typically based on linear filtering, are designed under Gaussian noise assumptions; amplified IM/DD links have non-Gaussian statistics. Neural network (NN) solutions can adapt naturally to both standard (Gaussian) and amplified (non-Gaussian) IM/DD systems. In contrast to previous research, we examine neural network implementations that incur no increase in complexity over simple, finite impulse response filtering. Comparing standard filtering with our NN solution, our experiments with a silicon photonic modulator in the Oband show gains from 0.25-0.75 dB in Q-factor across multiple wavelengths and fiber lengths. For example, a net rate of 100 Gb/s (post-KP4-FEC overhead) can be achieved at 1300 nm over 3.4 km. We achieved additional gain with a modified four-level constellation adapted to channel statistics. The same-complexity NN solution can be used for amplified IM/DD systems employing low-cost integrated semiconductor optical amplifiers (SOAs), such as metro/5G fronthaul links, and emerging multiplexing architectures with a shared laser and SOA.
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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».