کاربرد یادگیری عمیق در مدل سازی زمان حقیقی و جبران سازی اثرات غیر خطی در سیستم های تقویت کننده نوری پیشرفته

افزایش شتابان تقاضا برای پهنای باند در شبکه های نوری سرعت بالا مهندسان را با چالش های فیزیکی پیچیده ای در زمینه تداخل های غیر خطی فیبر و محدودیت قطعات مواجه کرده است. راهکارهای سنتی پردازش سیگنال دیجیتال (DSP) مانند الگوریتم بازگشت گام به گام (DBP)، به دلیل تحمیل بار محاسباتی سنگین کارایی خود را در پردازش های زمان حقیقی از دست داده اند. در سال های اخیر، الگوریتم های یادگیری عمیق (DL) به عنوان ابزاری انعطاف پذیر و داده محور برای مدل سازی رفتارهای غیر خطی بدون نیاز به معادلات پیچیده فیزیکی مطرح شده اند. این مقاله به مرور متقاطع معماری های نوین نظیر تساوی سازهای عصبی، مدل های پهن و عمیق و ساختارهای ترکیبی CNN-BiLSTM می پردازد. تمرکز اصلی این پژوهش بر واکاوی روش های کاهش پیچیدگی محاسباتی، تکنیک های فشرده سازی مدل برای پیاده سازی سخت افزاری زمان حقیقی و همچنین مدل سازی دینامیک تقویت کننده های نوری EDFA و رامان است. یافته ها نشان می دهند که تلفیق فشرده سازی مدل با ساختارهای موازی سخت افزاری مسیر را برای دستیابی به ضریب کیفیت (factor-) بالا با کمترین تاخیر پردازشی هموار می کند.

کلیدواژه ها:

یادگیری عمیق ، اثرات غیر خطی ، فیبر ، پردازش سیگنال زمان حقیقی ، تقویت کننده نوری ، فشرده سازی مدل