上海交大义理林课题组基于灰盒神经网络实现大容量长距离光纤通信实验系统数字孪生

上海交大义理林课题组基于灰盒神经网络实现大容量长距离光纤通信实验系统数字孪生

上海交通大学电子信息与电气工程学院电子工程系义理林教授课题组近日提出了一种基于数字孪生（Digital Twin，DT）的光纤通信实验系统建模方案。该方案通过联合物理模型与AI模型，实现了对大容量长距离光纤通信系统的快速准确建模，相比传统方法效率提升1200倍。相关研究成果发表在国际光学期刊《Laser & Photonics Reviews》上。

研究背景

随着光通信技术的发展，超宽带传输已成为提升光纤容量的重要途径。然而，用于超宽带和长途光传输的实验系统价格昂贵，且系统建设需要大量经验和调试，这限制了研究效率。数字孪生技术作为一种与实验系统特征对齐的仿真工具，可以降低研究门槛并提高科研效率。此外，DT模型还可以提供各种物理信道信息，实现传输性能预测、系统和信号优化、故障管理、算法快速验证等，在光通信的物理层和网络层具有广泛应用的巨大潜力。

传统的光纤信道建模方案存在诸多局限：分步傅里叶方法（SSFM）复杂度高，难以扩展到更宽带的传输场景；数据驱动模型虽然快速准确，但难以直接应用于实验系统。因此，开发一种可靠的光通信实验系统数字孪生方法成为迫切需求。

研究路径：灰盒神经网络数字孪生架构

研究团队提出了基于灰盒神经网络的光纤通信系统数字孪生框架，如图1所示。该框架包括三个主要模块：数据预处理、确定性随机神经网络和物理模型。

图1 光纤通信系统的数字孪生框架。CDC：色散补偿，MIMO：多输入多输出，FOE：频偏估计，CPE：载波相位恢复，PN：相位噪声，PMD：偏振模色散

在数据预处理模块中，首先采集各种条件下的信道输入输出数据，然后使用传统线性DSP对输出数据进行线性和时变特征补偿，实现特征分离，并简化神经网络模型的建模目标。此外，DSP估计的参数可以被馈送到物理模型中，以实现物理环境参数的对齐。

数据预处理补偿后的剩余特征包括未补偿完的线性、非线性和随机噪声，可分为确定性特征和随机性特征。研究团队设计了一种确定随机神经网络（DRNN）结构来捕获这些特征，其中非线性确定特征采用双向长短记忆网络（BiLSTM）建模，随机性特征采用生成对抗网络（GAN）建模。

为了形成完整的DT系统，已被DSP补偿的特征也需要被建模。这些特征可以看作是线性效应，可以用链路单元的物理模型来描述，物理模型可视为收端DSP的逆过程。

研究成果

研究团队通过实验验证了该DT架构的有效性。图2展示了DRNN输出信号的星座图。在WDM传输条件下，Exp-DSP输出和DRNN模型输出在星座图和直方图上都非常相似，证明了模型的有效性。在强非线性条件下，通过增加训练数据量，BiLSTM模型成功学习到了非线性效应。

图2 Exp-DSP输出和DRNN输出星座图。（a）WDM传输的CUT结果，蓝色直方图和包络表示同相支路信号的强度分布；（b）单通道传输的强非线性结果，T1:3万训练符号，T2:15万训练符号

图3展示了完整DT系统的结果。在相同的Rx DSP过程中，实验输出和DT输出的星座图几乎相同，表明了DT系统对不同种信道特征建模的准确性。Q因子的平均误差仅为0.054dB，SNR平均误差为0.075dB。在40通道30.5Tb/s容量1200km的传输中，DT的运行时间仅为6s，相比SSFM的7280s实现了超过1200倍的效率提升。

图3 完整DT系统的结果。（a）在相同的Rx DSP过程中，实验输出和DT输出的星座图的变化过程；（b）Q和SNR与Exp-DSP输出和DT-DSP输出的距离的关系；（c）DRNN和物理模型的运行时间

结语

上海交通大学电子信息与电气工程学院电子工程系义理林教授课题组在光纤通信实验系统数字孪生方面的研究取得了重要突破。该研究成果不仅展示了国内高校在前沿科技领域的研究实力，也为光通信领域的研究人员提供了新的技术思路和解决方案。目前，课题组已开发基于Python的光纤通信系统智能仿真平台并开源，为光传输领域持续发展贡献力量。