機器學習（Machine Learning）是今年OFC的熱門主題。3月號的OSA Optics&Photonics雜志刊載了來自丹麥科技大學的Darko Zibar， Francesco Da Ros， Giovanni Brajato和Uiara C. de Moura四位作者的文章“邁向光子系統(tǒng)的智能時代”，摘要如下。

光通信系統(tǒng)為什么需要人工智能？

未來十年到十五年，雖然在信號波特率，靈活通道間距，調(diào)制格式，編碼方案等領(lǐng)域已經(jīng)有很大的進步，還是很難滿足未來光通信系統(tǒng)和網(wǎng)絡的復雜性和性能需求。超寬帶（O+E+S+C+L）波段和空分復用（SDM）技術(shù)可能是最好的解決方案。這樣復雜的系統(tǒng)需要對信號與檢測機制進行優(yōu)化設(shè)計。以其中使用的光放大器技術(shù)為例，需要對眾多的參數(shù)進行快速的調(diào)整以實現(xiàn)理想的增益曲線。同樣，下一代系統(tǒng)的能量效率，流量路由，通道功率和帶寬分配，調(diào)制格式等也經(jīng)常需要迅速的調(diào)整。傳統(tǒng)方案在此已經(jīng)不能勝任，光通信系統(tǒng)和網(wǎng)絡的設(shè)計都需要全新的思路。另外，新興的量子信息保密系統(tǒng)需要傳統(tǒng)信道和量子信道在同一個光網(wǎng)絡中共存。由于量子信號通常比傳統(tǒng)信號功率更低，因此接收端設(shè)計也需要更加智能。機器學習對光通信系統(tǒng)的價值還體現(xiàn)在測量系統(tǒng)的設(shè)計上?，F(xiàn)有的信號分析系統(tǒng)無法區(qū)分不同的信號失真機制，也無法區(qū)分系統(tǒng)和器件帶來的失真。另外，由于光通信系統(tǒng)的性能趨近理論極限，對光源的噪聲特性分析更加重要，尤其是GHz范圍的噪聲分析。所有這一切，都需要機器學習的介入。

人工智能在光通信的應用案例

（一）、超寬帶光放大

傳統(tǒng)的EDFA只適合C波段一部分，而支持O波段的SOA技術(shù)一直并不成熟。新的超寬帶系統(tǒng)需要支持全部5個波段的光放大系統(tǒng)，而且增益曲線需要是任意形狀的。子波段之間的非線性作用要求信號功率曲線不能平坦以確保實現(xiàn)最大的信息率（AIR）。同時，不理想的光ADM的特性也帶來對非平坦的增益曲線的要求?，F(xiàn)階段以拉曼放大器為主，配合BDFA（摻鉍光纖放大器）和SOA，實現(xiàn)的混合結(jié)構(gòu)的放大器是實現(xiàn)超寬帶放大的主要技術(shù)。在選擇拉曼放大器的泵浦功率，波長等方面，機器學習都扮演著關(guān)鍵角色。和集成光路設(shè)計一樣，拉曼放大器的設(shè)計也是一個典型的反向系統(tǒng)設(shè)計ISD問題，所謂的多層次神經(jīng)網(wǎng)絡正是解決這一問題的關(guān)鍵。

（二）、非線性通道的通信

超寬帶系統(tǒng)中Kerr效應，受激拉曼散射SRS等各種非線性效應帶來子通道間的相互作用，從而讓系統(tǒng)的設(shè)計異常復雜。解決這個問題的辦法是從輸入輸出數(shù)據(jù)出發(fā)，依托多層神經(jīng)網(wǎng)絡算法，實現(xiàn)AIR的最大化。這種算法被稱為端到端學習E2E，其主要優(yōu)點是對通道模式無關(guān)。

（三）、激光器和頻率梳的特性測量

在下一代光通信系統(tǒng)中，高性能的激光器和頻率梳扮演著關(guān)鍵角色。對于激光器和頻率梳的測試依賴于外差技術(shù)。如今最高水平的光探測器模擬帶寬可以達到100GHz，支持160GS/s，這為機器學習的引入帶來方便。諸如貝葉斯濾波技術(shù)的機器學習方法為激光器和頻率梳的測量帶來方便，尤其是激光器的相位噪聲以及量子噪聲限制帶寬。傳統(tǒng)的技術(shù)智能支持最高-140dB rad2/Hz的相位噪聲和MHz級別的信號。

機器學習技術(shù)如今在光通信系統(tǒng)的網(wǎng)絡規(guī)劃，故障預測和光性能監(jiān)測等領(lǐng)域發(fā)揮越來越大的作用。未來的智能光網(wǎng)絡將是自動化的，自愈的，可以預測流量需求，支持能效最大化。這樣的光網(wǎng)絡不僅提供高速率，而且可以支持聯(lián)合國的綠色可持續(xù)發(fā)展目標。為了達到這一目標，需要光通信業(yè)者不僅要懂得光通信的物理，更要學習機器學習相關(guān)的數(shù)學，編程和算法。這將是光通信未來的重要方向。