[论文解读] Physics-informed EDFA Gain Model Based on Active Learning

Xiaomin Liu, Yu-Li Chen+5 more|arXiv (Cornell University)|Jun 13, 2022

Neural Networks and Reservoir Computing被引用 4

一句话总结

本文提出一种基于主动学习的物理信息深度学习模型，用于铒掺杂光纤放大器（EDFA）增益建模，显著减少了训练数据需求。通过将物理约束整合到主动学习框架中，该方法在仅使用约90%更少数据的情况下，实现了比传统方法更高的精度，特别适用于稀疏实验采样场景。

ABSTRACT

We propose a physics-informed EDFA gain model based on the active learning method. Experimental results show that the proposed modelling method can reach a higher optimal accuracy and reduce ~90% training data to achieve the same performance compared with the conventional method.

研究动机与目标

• 开发一种仅需极少实验训练数据的高精度EDFA增益模型。
• 将铒掺杂光纤放大物理定律整合到数据驱动的深度学习框架中。
• 通过利用主动学习降低EDFA表征过程中的数据采集成本与时间。
• 通过物理信息正则化提升模型的泛化能力与鲁棒性。
• 实现对光通信系统中EDFA增益分布的高效、可扩展建模。

提出的方法

• 该方法结合物理信息神经网络（PINN）与主动学习，将EDFA增益动态的速率方程嵌入模型中。
• 主动学习选择最具信息量的输入样本（如泵浦功率、信号波长），以最小化不确定性并最大化模型学习效率。
• 损失函数包含数据保真度项与源自控制铒离子布居反转与增益饱和的速率方程的物理约束项。
• 查询策略基于预测不确定性选择新的训练点，通过迭代方式在最小数据量下优化模型。
• 模型在稀疏实验数据上进行训练，物理约束防止出现物理上不合理的预测。
• 该框架通过优先选择最能提升模型性能且符合物理一致性的数据点，在数据效率与精度之间实现平衡。

实验结果

研究问题

• RQ1 物理信息主动学习能否减少准确EDFA增益建模所需的实验数据？
• RQ2 将物理速率方程整合到深度学习模型中，如何提升泛化能力并减少过拟合？
• RQ3 在EDFA增益预测中，数据效率与模型精度之间的最优权衡是什么？
• RQ4 与随机或均匀采样相比，主动学习选择在收敛速度与最终精度方面表现如何？
• RQ5 在低数据环境下，物理信息正则化在多大程度上提升了模型的鲁棒性？

主要发现

• 所提方法在使用相同训练数据时，达到的最优精度高于传统深度学习模型。
• 该模型将所需训练数据量减少约90%，即可达到传统方法的性能水平。
• 物理约束的整合显著提升了模型泛化能力，尤其在低数据环境下表现突出。
• 主动学习选择在收敛速度与数据效率方面均优于随机采样。
• 物理信息方法在所有预测中均保持物理合理性，避免了不合理的增益分布。
• 该模型在多种泵浦功率与信号波长组合下均表现出稳健性能，验证了其预测能力。