Mitigation of Nonlinear Effects using Machine Learning in Coherent Optical Access Networks

Resumen

Introducción/Contexto: Una de las estrategias más convenientes para el incremento de las capacidades en las redes ópticas de acceso, es el uso de la detección coherente junto con formatos de modulación de alto nivel tales como 16 y 64-QAM. Sin embargo, la detección coherente es una tecnología que requiere de un complejo procesamiento digital de señales para la mitigación de diferentes fenómenos. Objetivo: Minimizar efectos distorsivos de las señales ópticas usando demodulación no simétrica basada en algoritmos de Aprendizaje Automático.

 Metodología: Se simuló un sistema Nyquist m-QAM a 28 y 32 Gbps en el software especializado VPIDesignSuite. Luego, se generaron diferentes señales moduladas a 16 y 64-QAM a diferentes anchos de línea de láser, longitudes de transmisión y potencias. Se implementaron dos algoritmos de aprendizaje automático para realizar demodulación de las señales generadas. Finalmente, el desempeño de la demodulación se midió en términos de la tasa de error de bit (BER, del inglés Bit Error Rate), en función de varios parámetros del sistema tales como longitud de fibra, potencia de salida, ancho espectral del láser y formato de modulación.

Resultados: A un valor de BER de , el uso de los algoritmos permitió ganancias de hasta 2 dB en términos de relación señal a ruido óptica para 16-QAM y de 1.5 dB para 64-QAM. Además, la demodulación basada en estos algoritmos permitió una transmisión de hasta 50 km usando un láser con un ancho espectral de 100 kHz logrando un BER menor que usando un láser de 25 kHz sin implementar las técnicas de demodulación propuestas.  

Conclusiones: Se demostró que las dos técnicas pueden ser aplicadas para minimizar efectos no lineales, y a su vez, permitiría una reducción de complejidad computacional en futuras redes de acceso ópticas.

Palabras clave: Aprendizaje de Máquina, Comunicaciones Coherentes, odulación de Amplitud en Cuadratura, Procesamiento Digital de Señales, Redes Ópticas de Acceso

Referencias

M. Romagnoli et al., “Graphene-based integrated photonics for next-generation datacom and telecom,” Nature Reviews Materials. 2018, doi: 10.1038/s41578-018-0040-9.

K. Shafique, B. A. Khawaja, F. Sabir, S. Qazi, and M. Mustaqim, “Internet of Things (IoT) For Next-Generation Smart Systems: A Review of Current Challenges, Future Trends and Prospects for Emerging 5G-IoT Scenarios,” IEEE Access, vol. 8, pp. 1–1, 2020, doi: 10.1109/access.2020.2970118.

M. Zhong, Y. Yang, H. Yao, X. Fu, O. A. Dobre, and O. Postolache, “5G and IoT: Towards a new era of communications and measurements,” IEEE Instrum. Meas. Mag., vol. 22, no. 6, pp. 18–26, 2019, doi: 10.1109/MIM.2019.8917899.

D. M. Marom et al., “Survey of Photonic Switching Architectures and Technologies in Support of Spatially and Spectrally Flexible Optical Networking [Invited],” J. Opt. Commun. Netw., vol. 9, no. 1, p. 1, 2016, doi: 10.1364/jocn.9.000001.

S. Kartalopoulos and C. Qiao, “Optical access networks,” IEEE Commun. Mag., vol. 43, no. 2, 2005, doi: 10.1109/MCOM.2005.1391495.

L. Li et al., “Implementation Efficient Nonlinear Equalizer Based on Correlated Digital Backpropagation,” 2011 Opt. Fiber Commun. Conf. Expo. Natl. Fiber Opt. Eng. Conf., no. 2, p. OWW3, 2013, doi: 10.1364/ofc.2011.oww3.

L. Beygi, E. Agrell, P. Johannisson, M. Karlsson, and H. Wymeersch, “The Limits of Digital Backpropagation in Nonlinear Coherent Fiber-Optical Links,” 2012 38th Eur. Conf. Exhib. Opt. Commun., no. 1, p. P4.14, 2013, doi: 10.1364/eceoc.2012.p4.14.

J. Mata et al., “Artificial intelligence (AI) methods in optical networks: A comprehensive survey,” Opt. Switch. Netw., vol. 28, pp. 43–57, 2018, doi: 10.1016/j.osn.2017.12.006.

Z. Dong, F. N. Khan, Q. Sui, K. Zhong, C. Lu, and A. P. T. Lau, “Optical Performance Monitoring: A Review of Current and Future Technologies,” J. Light. Technol., vol. 34, no. 2, pp. 525–543, 2016, doi: 10.1109/JLT.2015.2480798.

F. Musumeci et al., “An Overview on Application of Machine Learning Techniques in Optical Networks,” IEEE Commun. Surv. Tutorials, vol. PP, no. c, p. 1, 2018, doi: 10.1109/COMST.2018.2880039.

C. Häger and H. D. Pfister, “Nonlinear interference mitigation via deep neural networks,” Opt. InfoBase Conf. Pap., vol. Part F84-O, no. 2, pp. 38–40, 2018, doi: 10.1364/OFC.2018.W3A.4.

C. Y. Chuang et al., “Convolutional neural network based nonlinear classifier for 112-Gbps high speed optical link,” Opt. InfoBase Conf. Pap., vol. Part F84-O, pp. 1–3, 2018, doi: 10.1364/OFC.2018.W2A.43.

S. Liu, Y. M. Alfadhli, S. Shen, H. Tian, and G. K. Chang, “Mitigation of multi-user access impairments in 5G A-RoF-based mobile fronthaul utilizing machine learning for an artificial neural network nonlinear equalizer,” 2018 Opt. Fiber Commun. Conf. Expo. OFC 2018 - Proc., pp. 1–3, 2018.

D. Wang et al., “Combatting nonlinear phase noise in coherent optical systems with an optimized decision processor based on machine learning,” Opt. Commun., vol. 369, pp. 199–208, 2016, doi: 10.1016/j.optcom.2016.02.029.

L. Sun, J. Du, G. Chen, Z. He, X. Chen, and G. T. Reed, “Machine-learning detector based on support vector machine for 122-Gbps multi-CAP optical communication system,” 2017 Opto-Electronics Commun. Conf. OECC 2017 Photonics Glob. Conf. PGC 2017, vol. 2017-Novem, pp. 1–3, 2017, doi: 10.1109/OECC.2017.8114893.

E. A. Fernández, J. J. G. Torres, A. M. C. Soto, and N. G. Gonzalez, “Radio-over-Fiber signal demodulation in the presence of non-Gaussian distortions based on subregion constellation processing,” Opt. Fiber Technol., vol. 53, no. October, p. 102062, 2019, doi: 10.1016/j.yofte.2019.102062.

H. Nain, U. Jadon, and V. Mishra, “Evaluation and analysis of non-linear effect in WDM optical network,” 2016 IEEE Int. Conf. Recent Trends Electron. Inf. Commun. Technol. RTEICT 2016 - Proc., pp. 36–39, 2017, doi: 10.1109/RTEICT.2016.7807777.

T. Okamoto and F. Ito, “Laser Phase Noise Characterization Using Parallel Linear Optical Sampling,” vol. 32, no. 18, pp. 3119–3125, 2014.

R.-J. Essiambre, G. Kramer, P. J. Winzer, G. J. Foschini, and B. Goebel, “Capacity Limits of Optical Fiber Networks PART 1: DIGITIZATION, CAPACITY, AND CONSTELLATIONS,” J. Light. Technol., vol. 28, no. 4, pp. 662–701, 2010, doi: 10.1109/JLT.2009.2039464.

P. Del Moral and S. Penev, “Fuzzy clustering and data analysis toolbox,” Stoch. Process., pp. 141–220, 2018, doi: 10.1201/9781315381619-8.

N. G. Gonzalez, D. Zibar, A. Caballero, and I. T. Monroy, “Experimental 2.5-Gb/s QPSK WDM Phase-Modulated Radio-Over-Fiber Link With Digital Demodulation by a k-Means Algorithm,” IEEE Photonics Technol. Lett., vol. 22, no. 5, pp. 335–337, 2010, doi: 10.1109/LPT.2009.2039640.

Descargas

La descarga de datos todavía no está disponible.
Publicado
2021-03-18
Cómo citar
Escobar Pérez, A., Arroyave Giraldo, K., Lopera Cortés, J. A., & Granada Torres, J. J. (2021). Mitigation of Nonlinear Effects using Machine Learning in Coherent Optical Access Networks. INGE CUC, 17(2). https://doi.org/10.17981/ingecuc.17.2.2021.02