[论文解读] Neural Probabilistic Amplitude Shaping for Nonlinear Fiber Channels

Mohammad Taha Askari, Lutz Lampe+1 more|arXiv (Cornell University)|Feb 2, 2026

Optical Network Technologies被引用 0

一句话总结

NPAS 是一种与 PAS 兼容的联合分布学习方法，用于同频光系统中的无符号符号，能够实现非线性抑制，并且性能与 NPS 相当，同时提升训练稳定性和可部署性。

ABSTRACT

We introduce neural probabilistic amplitude shaping, a joint-distribution learning framework for coherent fiber systems. The proposed scheme provides a 0.5 dB signal-to-noise ratio gain over sequence selection for dual-polarized 64-QAM transmission across a single-span 205 km link.

研究动机与目标

• 促使为 PAS 进行联合分布学习，以更好地处理超出边际符号概率的非线性光纤信道。
• 提出 NPAS，一种与 PAS 兼容的自回归模型，学习无符号符号分布以实现端到端训练。
• 在205 km 单跨 WDM 双极化 64-QAM 链路上展示 NPAS 的性能提升和训练稳定性。

提出的方法

• 使用自回归神经模型生成无符号复振幅的条件分布。
• 使用可微分的基于幅度模量的光纤信道模型和调整后的 BCE 损失的错配高斯解调器进行端到端训练。
• 通过从 FEC 奇偶校验流提供符号位，将 NPAS 与 PAS 框架整合。
• 在不同的块长度和发射功率下，将 NPAS 与 NPS 及带 ESS 的序列选择常规 PAS 进行比较。

实验结果

研究问题

• RQ1 通过自回归模型对无符号符号进行联合分布学习，是否能够提升 PAS 的兼容性和对光纤信道非线性抑制的效果？
• RQ2 与 NPS 和传统的带 ESS 的 PAS 方法相比，NPAS 的性能随块长度的扩展如何变化？
• RQ3 在高维设置下，NPAS 是否保持训练稳定性和实际部署性？
• RQ4 与序列选择方法相比，NPAS 在 AIR 与有效 SNR 上的相对增益是多少？
• RQ5 NPAS 是否能够在保持完整 PAS 互通性的同时实现类似于 NPS 的性能？

主要发现

• NPAS 在非线性抑制方面取得的增益可与 NPS 相当，同时可在 PAS 架构内实现部署。
• NPAS 在更大块长度下保持稳定并继续提升，而 NPS 在较小的 L 之后趋于瓶颈并出现退化。
• 在实际的 L=32 下，NPAS 与 NPS 在有效 SNR 和 AIR 上均优于 ESS 与 ESS+序列选择，且 NPAS 的增益接近 NPS。
• 在所报道的设置中，NPAS 相对于序列选择大约提升 0.5 dB 的 SNR，以及最多提升 0.1 位/2D AIR。
• 该方法保持了 PAS 的兼容性，避免了与选择相关的复杂性和速率惩罚。
• 结果在一个205公里单跨 WDM 链路上得到验证，该链路包含5 通道的双极化64-QAM，工作在50 GBd。