近日,上海交通大学电子工程系义理林教授课题组(LIFE,Laboratory of intelligent fiber ecosystem)研究了点到多点(P2MP)相干无源光网络(PON)系统,首次成功将扩散模型应用于光通信信道建模中,验证了该模型的有效性与实用性,深度探索了该模型在P2MP相干PON系统信道建模中的精度与泛化能力,在8dBm至14dBm发射功率范围内,信噪比建模误差小于0.1dB。相关成果以“P2MP coherent PON system modeling based on diffusion model”为题,于2025年5月发表于国际光学期刊Optics Letters。博士生关小凯和徐永鑫为共同第一作者,义理林教授为通信作者。
随着用户需求的快速增长,新兴信息服务对通信容量、带宽和传输速率提出更高要求,相干检测技术因优异性能和高速传输能力成为未来无源光网络(PON)的关键技术。点对多点(P2MP)传输模式以其灵活性、可扩展性和成本效益,成为相干 PON 系统的重要演进方向,而数字子载波复用(DSCM)技术是实现灵活 P2MP 相干 PON 的可行方案。
在传统通信系统中,各模块需单独设计,过程复杂且难以保证全局优化。在 P2MP 结构中,光线路终端(OLT)生成的数字子载波信号需分配给多个光网络单元(ONU),各子载波的调制格式、功率和星座点仍有优化空间,需通过联合优化实现系统全局最优。端到端(E2E)学习通过深度学习近似非线性函数,利用人工神经网络(ANN)联合优化收发器和光纤信道,但该方法高度依赖可微信道模型的准确性。此外,构建光网络数字孪生系统也需要精确的信道模型模拟物理系统。
现有信道建模研究多聚焦于机器学习方法(如生成对抗网络、Transformer 模型等),但在 P2MP PON 的配置泛化性研究上仍有空白,且部分模型存在训练难度大的问题。因此,本研究首次将去噪扩散概率模型(DDPM)应用于光通信信道建模,旨在为 P2MP 相干 PON 构建具有高泛化能力的通用模型。
实验构建了基于 DSCM 的 P2MP 下行链路系统,如图 1 所示。收发器设置为非理想状态以模拟实际场景,包括带宽限制、量化噪声和相位噪声等。信号在光纤中受衰减、色散、偏振模色散(PMD)和非线性效应等影响,其中光纤非线性效应通过 Manakov 信道模拟。OLT 将大带宽单载波信号分割为多个小带宽子载波信号,经光分配网络(ODN)分发至不同 ONU,各 ONU 通过本地振荡器(LO)将信号恢复至基带。
图1. 基于DSCM的P2MP下游架构示意图
扩散模型通过构建马尔可夫链的前向扩散和反向去噪过程实现信道建模:前向过程向输入数据添加高斯噪声直至其变为纯噪声,训练神经网络预测噪声;反向过程逐步去除噪声以恢复原始数据。模型将信道参数(如 ONU 编号、光纤长度、发射功率等)作为条件输入,学习信道传递函数 x = H(y) ,实现对不同 ONU 信道的泛化建模,如图 2 所示。
图2. 使用扩散模型进行通道建模的模型结构(a)训练过程(b)取样过程
无非线性效应场景:图 3 (a) 展示了 16QAM 信号的扩散过程,当时间步长为 1000 时,星座图变为纯高斯白噪声;图 3 (b) 显示模型可从噪声中恢复 QPSK、16QAM 和 64QAM 信号,验证了模型对不同调制格式的适应性。
图 3 . (a)16QAM 信号的扩散过程(b)QPSK 、16QAM 和64QAM 信号的去噪处理
含非线性效应场景:图 4 (a) 和 4 (b) 分别为无非线性和含克尔非线性效应的星座图,模型准确学习了非线性失真特征。图 4 (c) 显示,模型生成信号与原始信号的 SNR 误差均小于 0.1dB,表明模型对信道的精确建模能力。
图4. 扩散模型的通信建模结果(a)无非线性(b)有非线性(c)SNR曲线和符号速率
不同 ONU 配置下的星座图:图 5 (a) 展示了发射功率 12 dBm、光纤长度分别为 5 km、15 km、10 km 和 20 km 的四个 ONU 星座图,中间 ONU 因频谱边缘干扰噪声更大,模型准确捕捉了不同位置 ONU 的噪声分布差异;图 5 (b) 显示同一 ONU 在不同发射功率下的星座图,随功率增加非线性效应增强,模型仍能学习到对应的失真特征。
图5. 通道建模结果(a)相同配置的4个ONU (b)不同发射功率下的ONU-1
SNR 与关键参数的关系:图 6 (a) 显示不同 ONU 在不同发射功率下的 SNR 建模结果与原始信道高度吻合;图 6 (b) 和 6 (c) 分别验证了发射功率和光纤长度对模型泛化能力的影响,结果表明,无论参数如何变化,模型 SNR 平均误差均小于 0.1 dB,证明其对 ONU 编号、光纤长度和发射功率等参数的强泛化能力。
图6. 通道建模结果 (a)不同发射功率下的四个不同ONU (b)不同发射功率下不同光纤长度的ONU-1 (c)不同链路长度下不同 ONU数量的ONU-1
本研究成功将扩散模型应用于光通信信道建模,突破了传统机器学习模型在 P2MP PON 配置泛化性上的局限。实验表明,该模型可准确模拟不同 ONU 信道的线性与非线性损伤,SNR 建模误差小于 0.1 dB,为构建光网络数字孪生系统提供了关键支撑。未来可进一步结合高速实验平台数据优化模型,并与其他高性能模型对比,推动其在系统全局优化和性能监控中的实际应用。
本文发表于2025年5月15日《Optics Letters》
论文网页链接:
https://olife.sjtu.edu.cn/public/upload/20250623/a6e14eeb440cf2603a5b85aef7c8d4f2.pdf
智能光纤系统实验室(LIFE, Laboratory of Intelligent Fiber Ecosystem),隶属于上海交通大学光子传输与通信全国重点实验室,面向光纤通信系统和光纤激光系统两个应用场景,用人工智能技术解决光波在光纤中传输面临的关键挑战,旨在解决长距光传输场景的非线性补偿问题和短距光接入场景的信道均衡问题,超快脉冲光纤激光器中的脉冲精确调控问题和高功率连续光纤激光器中的光谱精确调控问题。以打造国际知名的人工智能光通信与光纤激光团队。
团队主页:https://olife.sjtu.edu.cn