成果展示

在现代网络中, 90% 以上的信息是通过光纤进行传输的，根据有关机构统计, 数据传输量正以每年 25% 的速率迅猛增长, 这一需求驱动着光纤通信不断追求更高的传输速率。为了追求更高的信息传输效率，需要对信道的各个效应进行建模和补偿。其中，线性效应（色散、衰减等）已经在 DSP 中得到了很好的补偿. 在长距高速场景下, 而非线性效应 (主要是Kerr 效应) 是限制光信号传输能力的主要瓶颈，因此非线性补偿问题也被华为称为“后香农时代ICT领域十大难题”之一。建立高精度、快速的非线性信道模型，实现非线性效应的精准补偿和性能优化，追求光纤非线性容量极限是智能光传输的主要目标。

光纤信道的建模和非线性补偿算法设计都依赖于光纤通信系统仿真工具，学术界和工业界均广泛使用matlab作为仿真工具，除具有受控风险外，还有运行效率低，计算耗时长，难以与AI算法兼容等问题。为解决以上问题，智能光传输团队基于开源Python语言开发完整光纤通信系统仿真工具，提供了基于Pytorch的仿真版本，并集成多种神经网络算法，这使得仿真平台可借助GPU和神经网络对仿真进行加速，天然兼容光通信的智能化算法设计，并在此基础上可实现收发端算法的全局优化。智能光传输团队专注开发光纤通信系统智能建模与仿真平台，具有独立自主、国际领先、融合开放的特点，在支撑自身研究的同时，完成代码开源，服务于整个光通信行业。基于此开放平台与业界共同开展光通信系统创新架构和算法研究，共同突破光纤非线性信道补偿这一核心挑战。

进一步地，在实现光纤信道快速精准建模的基础上，完成光纤传输智能仿真和实验平台的建设。智能光纤传输实验平台采用和仿真平台相同的算法库，仿真和实验平台实现数据对齐并交叉验证。所有实验设备可远程控制，在远程调用算法库即可进行光纤通信系统端到端非线性补偿与全局优化实验。AI算法库包括各类通用神经网络以及强化学习、互信息量估计网络（MINE）、光纤非线性估计网络(FINE)、端到端学习、训练策略等工具包，可在发端进行星座整形和预均衡，在收端进行非线性估计和补偿，并结合收发端和信道全局优化进行非线性性能优化，以达到最大程度降低光纤非线性影响，实现逼近线性信道香农容量限的目标。