各種神經(jīng)網(wǎng)絡(luò)算法（XNN）在大數(shù)據(jù)機(jī)器學(xué)習(xí)和人工智能領(lǐng)域有著十分廣泛的應(yīng)用，這些高級(jí)算法在分類、優(yōu)化、自學(xué)習(xí)這些方面的突出能力和其在互聯(lián)網(wǎng)及自動(dòng)控制領(lǐng)域的優(yōu)異表現(xiàn)是毋庸置疑的，自然這些年也是火得一塌糊涂了。不過，之前一直沒有過多地關(guān)注AI相關(guān)的高級(jí)算法在光通信領(lǐng)域的應(yīng)用的。本次OFC預(yù)計(jì)算是比較火熱的一次盛會(huì)了，各種技術(shù)熱點(diǎn)，高波特率相干，高帶寬集成器件，400G/600G 實(shí)時(shí)傳輸，超寬帶光放大，概率整形的芯片實(shí)現(xiàn)和優(yōu)化等都有較多的文章涉及。

**1. **高級(jí)算法輔助概率整形，開辟新途徑

有兩種科研idea讓人嘆為觀止：一種是“唉，這個(gè)我就是想不到啊”，另一種是“唉，我怎么就想不到?。俊?。這篇文章就是屬于第二種。看完了之后，覺得很有道理，也很簡(jiǎn)單，但只后悔自己之前沒想到。

常規(guī)的概率整形，一般是先根據(jù)信道情況和系統(tǒng)需求，選定一個(gè)基本的星座圖，設(shè)定一個(gè)Entropy，然后利用MaxwellBoltzman分布求得整形系數(shù)及星座圖上每一符號(hào)出現(xiàn)的概率，然后再通過一些分布匹配器（DM）去做多對(duì)一的映射和二進(jìn)制標(biāo)記。這種常規(guī)的概率整形（PS）的性能通常是最優(yōu)的，不過有個(gè)前提條件，那就是信道是AWGN。而對(duì)于光纖信道，顯然，某些場(chǎng)景下并不滿足這一假設(shè)，特別是在有非線性效應(yīng)的時(shí)候。這也為進(jìn)一步探測(cè)概率整形方法和提升性能開辟了機(jī)會(huì)窗口。怎么做呢？

圖1. 基于訓(xùn)練序列的星座誤差圖樣估計(jì)

如圖1所示，先利用均勻分布的QAM星座圖作為訓(xùn)練序列，經(jīng)過光纖信道傳輸后，在接收端統(tǒng)計(jì)星座圖上每個(gè)點(diǎn)（符號(hào)）出錯(cuò)的情況，并把誤符號(hào)率（SER）按照符號(hào)的位置記錄下來(lái)。

然后再采用投影梯度下降算法（PGD）來(lái)求解最優(yōu)的發(fā)射星座點(diǎn)概率分布，使得信道的互信息量（容量）最大，用數(shù)學(xué)表述為下述優(yōu)化問題：

其中，alpha是一個(gè)調(diào)整熵的整形參量，第一個(gè)約束條件是為了限制使得那些容易出錯(cuò)的符號(hào)的概率變小，第二個(gè)約束條件則是為了滿足發(fā)端所有符號(hào)出現(xiàn)在概率之和為1。通過一番高端大氣上檔次的優(yōu)化算法之后，可以得到給定目標(biāo)entropy的優(yōu)化概率分布。然后再利用CCDM來(lái)將幅度映射成符號(hào)，完成概率匹配。優(yōu)化后的星座點(diǎn)概率圖示如下。

圖2.PGD優(yōu)化求解后的發(fā)端星座點(diǎn)概率分布示意圖

然后作者在 VPI中建模對(duì)以下三種場(chǎng)景進(jìn)行了仿真對(duì)比，從整形后的SER情況來(lái)看，得出的結(jié)論是，在保證相同的entropy條件下，這種新的概率分布性能不差于常規(guī)的PS算法。并且也通過簡(jiǎn)單的實(shí)驗(yàn)作了驗(yàn)證，經(jīng)過這種整形之后SER性能優(yōu)于不整形的16QAM。

圖3. 仿真的三種場(chǎng)景及整形前后效果對(duì)比

其實(shí)，這種方法看起來(lái)高端，實(shí)際上思路是我們之前在別的地方經(jīng)常用到的。用均勻概率分布的信號(hào)作導(dǎo)頻估計(jì)符號(hào)錯(cuò)誤圖樣，這是在OFDM自適應(yīng)調(diào)制的時(shí)候慣用手法；先估計(jì)出損傷的相對(duì)影響，然后反過來(lái)在發(fā)端來(lái)進(jìn)行抑制的思路在發(fā)端預(yù)失真的時(shí)候也是很常用的。不過一般人還真是沒有想到。不過這篇文章，還是有很多地方可以繼續(xù)深入探討灌水的。比如約束條件的重新構(gòu)建，相位噪聲恢復(fù)算法的影響等。

即便如此，這篇文章的意義我覺得還是特別明顯的。1）解決了單圈星座圖的概率整形問題，比如按這個(gè)思路QPSK也可以整，這樣就有可能縮小頻譜效率小于2時(shí)候，QPSK與香農(nóng)極限之間的Gap; 2)對(duì)于非方形QAM也可以實(shí)現(xiàn)MB分布整形；3）為解決非AWGN信道，有非線性效應(yīng)時(shí)的最優(yōu)概率整形的求解提供了示范。

**2. **高級(jí)算法用于幾何整形，改善性能

與概率整形（PS）不同，幾何整形（GS）需要優(yōu)化星座圖上每個(gè)星座點(diǎn)的位置。這篇文章中，作者引入神經(jīng)網(wǎng)絡(luò)算法對(duì)32QAM和 128QAM進(jìn)行一維和二維的星座圖及比特映射優(yōu)化，實(shí)驗(yàn)驗(yàn)證了優(yōu)化的幾何整形，對(duì)于800G 32QAM和1T 128QAM性能提升分別約為0.98dB和 1.21dB。

圖4. 基于神經(jīng)網(wǎng)絡(luò)的幾何整形星座圖優(yōu)化結(jié)果

3. 神經(jīng)網(wǎng)絡(luò)用于OSNR****監(jiān)測(cè)，從原型機(jī)走向產(chǎn)品

Ciena已經(jīng)將包含35個(gè)輸入，2個(gè)隱含層，每層5個(gè)結(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)做成相干光模塊的固件，用于分離非線性效應(yīng)噪聲，從而精確地估計(jì)系統(tǒng)的OSNR，并且對(duì)非線性效應(yīng)不敏感。經(jīng)過仿真數(shù)據(jù)訓(xùn)練后用于56G~400G實(shí)時(shí)相干光模塊中進(jìn)行實(shí)驗(yàn)驗(yàn)證，得到了較好的OSNR估計(jì)精度，如圖5所示。

圖5. 基于神經(jīng)網(wǎng)絡(luò)的OSNR估計(jì)模型的訓(xùn)練和估計(jì)結(jié)果

該模型在Ciena Wavelogic AI不同速率，配合不同種類光纖鏈路情況下估計(jì)精度分別為（系統(tǒng)偏移及波動(dòng)標(biāo)準(zhǔn)差）：56G200G是0.04±0.25 dB，56G300G是-0.03±0.29ddB, 56G~400G是-0.12±0.48dB。

4. 神經(jīng)網(wǎng)絡(luò)用于PON 中高速信號(hào)均衡， FPGA****原型驗(yàn)證

國(guó)內(nèi)有研究團(tuán)隊(duì)將神經(jīng)網(wǎng)絡(luò)算法用于50G接入網(wǎng)，實(shí)現(xiàn)對(duì)帶寬限制效應(yīng)的均衡，有望將10G級(jí)別的 DML器件超頻傳輸50Gb/s PAM4信號(hào)。而Nokia更是將神經(jīng)網(wǎng)絡(luò)算法做成了定點(diǎn)，然后通過離線實(shí)驗(yàn)比較了50Gb/s NRZ系統(tǒng)中它與經(jīng)典的 6抽頭的最大似然序列估計(jì)算法（MLSE）的均衡效果。實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)算法在光背靠背（OB2B）和30km光纖傳輸時(shí)相對(duì)于MLSE均衡有0.2dB和0.7dB的性能提升。作者還通過降頻降速，將神經(jīng)網(wǎng)絡(luò)均衡算法在 FPGA上進(jìn)行了驗(yàn)證，并評(píng)估了其復(fù)雜度和對(duì)資源的消耗，分析表明，神經(jīng)網(wǎng)絡(luò)算法比6抽頭的MLSE復(fù)雜度還要高，如果要將該算法實(shí)用，還需要進(jìn)行優(yōu)化。

圖6. Nokia在50G PON中驗(yàn)證神經(jīng)網(wǎng)絡(luò)均衡算法實(shí)驗(yàn)框圖

從今年的OFC論文中，可以感受到新技術(shù)從概念探索到討論關(guān)注到實(shí)用產(chǎn)品化已經(jīng)變得非常迅速了，每個(gè)階段的痕跡已經(jīng)不明顯了。也許下一代光通信產(chǎn)品革命的號(hào)角已經(jīng)吹響，是AI，是新算法，還是新特性？我們拭目以待，可是你準(zhǔn)備好了嗎？你的產(chǎn)品準(zhǔn)備好迎接這場(chǎng)變革了嗎？