各種神經(jīng)網(wǎng)絡算法（XNN）在大數(shù)據(jù)機器學習和人工智能領域有著十分廣泛的應用，這些高級算法在分類、優(yōu)化、自學習這些方面的突出能力和其在互聯(lián)網(wǎng)及自動控制領域的優(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注AI相關的高級算法在光通信領域的應用的。本次OFC預計算是比較火熱的一次盛會了，各種技術(shù)熱點，高波特率相干，高帶寬集成器件，400G/600G 實時傳輸，超寬帶光放大，概率整形的芯片實現(xiàn)和優(yōu)化等都有較多的文章涉及。

**1. **高級算法輔助概率整形，開辟新途徑

有兩種科研idea讓人嘆為觀止：一種是“唉，這個我就是想不到啊”，另一種是“唉，我怎么就想不到啊？”。這篇文章就是屬于第二種?？赐炅酥螅X得很有道理，也很簡單，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，選定一個基本的星座圖，設定一個Entropy，然后利用MaxwellBoltzman分布求得整形系數(shù)及星座圖上每一符號出現(xiàn)的概率，然后再通過一些分布匹配器（DM）去做多對一的映射和二進制標記。這種常規(guī)的概率整形（PS）的性能通常是最優(yōu)的，不過有個前提條件，那就是信道是AWGN。而對于光纖信道，顯然，某些場景下并不滿足這一假設，特別是在有非線性效應的時候。這也為進一步探測概率整形方法和提升性能開辟了機會窗口。怎么做呢？

圖1. 基于訓練序列的星座誤差圖樣估計

如圖1所示，先利用均勻分布的QAM星座圖作為訓練序列，經(jīng)過光纖信道傳輸后，在接收端統(tǒng)計星座圖上每個點（符號）出錯的情況，并把誤符號率（SER）按照符號的位置記錄下來。

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

其中，alpha是一個調(diào)整熵的整形參量，第一個約束條件是為了限制使得那些容易出錯的符號的概率變小，第二個約束條件則是為了滿足發(fā)端所有符號出現(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entropy的優(yōu)化概率分布。然后再利用CCDM來將幅度映射成符號，完成概率匹配。優(yōu)化后的星座點概率圖示如下。

圖2.PGD優(yōu)化求解后的發(fā)端星座點概率分布示意圖

然后作者在 VPI中建模對以下三種場景進行了仿真對比，從整形后的SER情況來看，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。并且也通過簡單的實驗作了驗證，經(jīng)過這種整形之后SER性能優(yōu)于不整形的16QAM。

圖3. 仿真的三種場景及整形前后效果對比

其實，這種方法看起來高端，實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作導頻估計符號錯誤圖樣，這是在OFDM自適應調(diào)制的時候慣用手法；先估計出損傷的相對影響，然后反過來在發(fā)端來進行抑制的思路在發(fā)端預失真的時候也是很常用的。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，比如按這個思路QPSK也可以整，這樣就有可能縮小頻譜效率小于2時候，QPSK與香農(nóng)極限之間的Gap; 2)對于非方形QAM也可以實現(xiàn)MB分布整形；3）為解決非AWGN信道，有非線性效應時的最優(yōu)概率整形的求解提供了示范。

**2. **高級算法用于幾何整形，改善性能

與概率整形（PS）不同，幾何整形（GS）需要優(yōu)化星座圖上每個星座點的位置。這篇文章中，作者引入神經(jīng)網(wǎng)絡算法對32QAM和 128QAM進行一維和二維的星座圖及比特映射優(yōu)化，實驗驗證了優(yōu)化的幾何整形，對于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)絡的幾何整形星座圖優(yōu)化結(jié)果

3. 神經(jīng)網(wǎng)絡用于OSNR****監(jiān)測，從原型機走向產(chǎn)品

Ciena已經(jīng)將包含35個輸入，2個隱含層，每層5個結(jié)點的神經(jīng)網(wǎng)絡做成相干光模塊的固件，用于分離非線性效應噪聲，從而精確地估計系統(tǒng)的OSNR，并且對非線性效應不敏感。經(jīng)過仿真數(shù)據(jù)訓練后用于56G~400G實時相干光模塊中進行實驗驗證，得到了較好的OSNR估計精度，如圖5所示。

圖5. 基于神經(jīng)網(wǎng)絡的OSNR估計模型的訓練和估計結(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精度分別為（系統(tǒng)偏移及波動標準差）：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)絡用于PON 中高速信號均衡， FPGA****原型驗證

國內(nèi)有研究團隊將神經(jīng)網(wǎng)絡算法用于50G接入網(wǎng)，實現(xiàn)對帶寬限制效應的均衡，有望將10G級別的 DML器件超頻傳輸50Gb/s PAM4信號。而Nokia更是將神經(jīng)網(wǎng)絡算法做成了定點，然后通過離線實驗比較了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算法（MLSE）的均衡效果。實驗表明，神經(jīng)網(wǎng)絡算法在光背靠背（OB2B）和30km光纖傳輸時相對于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)絡均衡算法在 FPGA上進行了驗證，并評估了其復雜度和對資源的消耗，分析表明，神經(jīng)網(wǎng)絡算法比6抽頭的MLSE復雜度還要高，如果要將該算法實用，還需要進行優(yōu)化。

圖6. Nokia在50G PON中驗證神經(jīng)網(wǎng)絡均衡算法實驗框圖

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注到實用產(chǎn)品化已經(jīng)變得非常迅速了，每個階段的痕跡已經(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，可是你準備好了嗎？你的產(chǎn)品準備好迎接這場變革了嗎？