[论文解读] Accurate Closed-Form Real-Time EGN Model Formula Leveraging Machine-Learning over 8500 Thoroughly Randomized Full C-Band Systems

Mahdi Ranjbar Zefreh, F. Forghieri+2 more|arXiv (Cornell University)|May 29, 2020

Optical Network Technologies参考文献 24被引用 47

一句话总结

该论文提出CFM4，一种高度精确、实时的非线性串扰（NLI）闭式模型，适用于C波段WDM光网络系统。该模型通过在8500个随机配置的系统上对基础公式进行机器学习增强而推导得出。通过整合物理参数与优化系数，该模型与数值积分的EGN模型及分步模拟结果达到近乎完美的吻合，在各类场景下SNR误差均低于0.2 dB。

ABSTRACT

We derived an approximate non-linear interference (NLI) closed-form model (CFM), capable of handling a very broad range of optical WDM system scenarios. We tested the CFM over 8500 randomized C-band WDM systems, of which 6250 were fully-loaded and 2250 were partially loaded. The systems had highly diversified channel formats, symbol rates, fibers, as well as other parameters. We improved the CFM accuracy by augmenting the formula with simple machine-learning factors, optimized by leveraging the system test-set. We further improvedthe CFM by adding a term which models special situations where NLI has high self-coherence. In the end, we obtained a very good match with the results found using the numerically-integrated Enhanced GN-model (or EGN-model). We also checked the CFM accuracy by comparing its predictions with full-C-Band split-step simulations of 300 randomized systems. The combined high accuracy and very fast computation time (milliseconds) of the CFM potentially make it an effective tool for real-time physical-layer-aware optical network management and control.

研究动机与目标

• 解决在具有色散斜率和频率相关损耗等复杂参数的多样化、真实C波段WDM系统中，缺乏准确且实时的NLI模型的问题。
• 改进现有闭式模型（CFM0/CFM1），以捕捉NLI相干性等关键物理效应及系统多样性。
• 开发一种可扩展、计算高效的模型，适用于实时物理层感知的网络控制与优化。
• 利用8500个随机C波段系统的多样化数据集，训练机器学习校正因子，以提升精度而不牺牲速度。

提出的方法

• 推导CFM1作为非相干GN模型的增强闭式近似，整合色散斜率、频率相关损耗及非均匀跨段特性。
• 利用8500个随机C波段WDM系统的海量数据集，通过EGN模型基准优化系数，训练机器学习校正因子。
• 引入相干性校正项，以解决高NLI相干性异常系统的问题，显著提升峰值误差性能。
• 进一步优化模型以包含信道滚降效应，形成CFM4，从而在实际传输系统中考虑频谱整形。
• 使用测试集中随机选取的300个系统的完整C波段分步模拟，对最终模型进行验证。
• 通过统计敏感性分析，确认每个物理参数（如β2,acc、Φ、符号速率）在机器学习校正因子中的必要性。

实验结果

研究问题

• RQ1 能否在广泛多样的真实C波段WDM系统配置中，开发出既准确又实时的闭式NLI模型？
• RQ2 在大规模数据集上使用机器学习对基于物理的NLI近似中的系统性偏差与方差进行校正，其有效性如何？
• RQ3 NLI自相干性在模型误差中起什么作用？能否在闭式框架中有效建模？
• RQ4 累积色散、调制格式和滚降等物理参数在多大程度上影响NLI估计的准确性？
• RQ5 与完整分步模拟相比，最终模型（CFM4）是否保持高精度，从而证实其在真实部署中的可靠性？

主要发现

• 在8500个系统中，CFM4与EGN模型基准相比，SNR估计误差的均值为-0.00 dB，标准差为0.04 dB。
• 峰值SNR误差降低至0.18 dB，峰峰值误差降至0.30 dB，表明模型具有高度一致性和可靠性。
• 引入NLI相干性校正项后，峰值误差显著降低，尤其在高自相干性的异常系统中效果明显。
• 敏感性分析表明，若移除累积色散（β2,acc）或格式相关系数（Φ），误差方差将增加超过300%，峰值误差最高增加3倍。
• 在300个完整C波段分步模拟的验证中，模型保持了高精度，证实其与完整数值积分的保真度。
• 机器学习校正因子被证明非冗余：移除任意组件均导致性能下降，确认了分析表达式中每一项的必要性。