4/15/2025，光纖在線訊，光纖在線特約編輯，邵宇豐，王安蓉，張顏鷺，張旭，許占奪，向泓勁，匡富豪，賈嵐斯，隆茜，崔夢琦。

        2025年2月出版的JLT主要刊登了以下一些方向的文章，包括：光電信號復用、概率整形技術、壓縮光處理、模式色散、超短脈沖傳輸模型、光互連系統(tǒng)等，筆者將逐一評析。

1、光電信號復用
        日本NTT公司網(wǎng)絡創(chuàng)新實驗室的Hiroshi Yamazaki等研究人員設計了應用多數(shù)字模擬轉換器（DAC）和頻譜圖像疊加的方案以克服DAC的工作帶寬受限影響，如圖1所示[1]。他們采用電信號與域中頻輔助復用（IFI-MUX）技術（如應用InP HBT模擬復用器（AMUX））實現(xiàn)了100 GHz的工作帶寬，并在強度調制直接檢測（IM-DD）系統(tǒng)中達到了538.8 Gbps/λ的傳輸速率；結合硅鍺 DAC與基帶復用（BB-MUX）技術，實現(xiàn)了數(shù)字相干系統(tǒng)中2.42 Tbps/λ的傳輸速率；還采用光學復用技術（如OAWG）進一步完成了2.5 Tbps/λ以上傳輸速率信號的生成。研究結果表明：應用光電信號復用技術通過數(shù)字預處理與模擬組件協(xié)同，可顯著拓展信號工作帶寬，如果上述方式與IQ調制器結合可實現(xiàn)160.7GBaud符號速率的1.64Tbps信號傳輸。綜上所述，上述研究工作研究的實施盡管可能面臨器件集成和時鐘同步的挑戰(zhàn)，但多路光電信號復用技術為新型光信號發(fā)射機的制備提供了參考借鑒。


圖1 發(fā)射機的帶寬擴展過程：(a)數(shù)字相干信號生成；(b)電信號域帶寬擴展； (c)光信號域帶寬擴展

2、概率整形技術
        加拿大不列顛哥倫比亞大學電氣與計算機工程系Mohammad Taha Askar和Lutz Lamp研究了光纖通信系統(tǒng)中概率整形技術對信號傳輸非線性容忍度的影響，如圖2所示[2]。他們應用了概率振幅整形（PAS）技術，并結合Maxwell-Boltzmann分布和球面整形等方法，通過優(yōu)化信號高階矩（如四階矩μ4=2.5、六階矩μ6=6.8）以抑制非線性干擾噪聲（NLIN）的負面影響。研究結果表明：在含20跨段1600km光纖鏈路的通信系統(tǒng)中，使用塊長（D=180）恒定分布匹配（CCDM）方案相比均勻分布方案，可將信噪比（SNR）提升0.18dB，并將傳輸距離延長15%-20%。通過結合序列選擇技術，他們通過低通濾波篩選候選序列，可使雙極化256QAM信號的接收SNR提升0.3dB。綜上所述，應用該方案可有效提升光纖非線性容限且能改善信號傳輸性能，為提推動大容量、長距離光信號傳輸技術的進一步發(fā)展提供了參考借鑒。


圖 2 (a) 序列選擇、(b)將序列選擇整合到 PAS 中、(c)振幅整形與序列生成和選擇的解耦

3、壓縮光處理
        中山大學的王金濤等研究人員設計了基于多芯光纖現(xiàn)場部署的遠程明亮壓縮光（BSL）方案，如圖3所示[3]。研究人員分別通過6公里和30公里的標準單模光纖上實現(xiàn)了壓縮水平為-2.52dB和-1.8dB明亮振幅壓縮光（BSL）的遠程制備；基于16.7公里長度的多芯光纖的BALS壓縮水平為-1.8dB，與部署30公里長度單模光纖獲得的壓縮水平一致。研究人員還用了零差檢測和Winger函數(shù)重建的量子態(tài)斷層掃描（QST）來驗證BSL的壓縮特性。綜上所述，上述方案為進行長距離量子信息處理提供了新的參考思路。


圖3 明亮壓縮光測試系統(tǒng)

4、模式色散
        意大利帕爾馬大學的Chiara Lasagni等研究人員在弱耦合空分復用（SDM）系統(tǒng)中分析了采用少模光纖（FMF）傳輸信號時模式色散是如何影響非線性干擾（NLI）的方差，并設計了在組內和組間NIL中均包含模式色散的高斯噪聲（GN）模型[4]。他們通過應用兩組不同簡并FMF中的傳輸脈沖證明了設置NLI方差對確定性差模群延時（DMGD）有重要影響，如圖4所示；通過對四波混頻效應的分析，他們發(fā)現(xiàn)空間模式色散（SMD）對與相位和極化相關的非線性失真有不同程度的影響；他們還比較了NLI方差估計結果和采用分步傅里葉方法的仿真結果，驗證了應用上述模型的準確性。綜上所述，該方案對降低光纖非線性系數(shù)來減輕kerr效應引起非線性干擾的應用具有參考借鑒價值。


圖4 脈沖FMF中的傳輸

5、超短脈沖傳輸模型
        北京大學電子與計算機工程學院的Jinhong Wu等研究人員設計了一種基于物理信息神經(jīng)網(wǎng)絡（PINN）的通信模型，用于分析超短脈沖在光纖中的傳輸特性，如圖5所示[5]。他們通過引入先驗知識，分析了應用傳統(tǒng)非線性薛定諤方程（NLSE）求解的計算復雜度，并明確應用該方程可顯著減少大量數(shù)據(jù)的訓練需求；在此基礎上，分別針對長脈沖（T? > 1 ps）和短脈沖（T? < 1 ps）進行了仿真驗證。研究結果表明：對于長脈沖，在1~2 ps的脈沖寬度和1.9~3.8 W的峰值功率范圍內該模型表現(xiàn)出色，預測結果與應用NLSE一致性良好，均方根誤差（RMS）僅為0.025；對于短脈沖，PINN在400fs~800fs的脈沖寬度和12~24 W的峰值功率范圍內也表現(xiàn)出高精度預測能力， RMS誤差僅為0.0216。因為應用PINN模型的訓練時間顯著短于應用傳統(tǒng)數(shù)值模擬計算方法，且預測速度比應用NLSE模擬快兩個數(shù)量級；因此，該方案為超快光子學的實際應用提供了重要參考思路。


圖5 PINN模型架構

6、光互連系統(tǒng)
        北京大學信息與通信工程系的Chuanchuan Yang等研究人員設計了采用隱藏特征提取學習（HFE）進行端到端（E2E）聯(lián)合均衡與低密度奇偶校驗（LDPC）譯碼的方法，以提升含垂直腔發(fā)射激光器與多模光纖（VCSEL-MMF）的光互連系統(tǒng)在超高傳輸速率下的工作性能，如圖6所示[6]。他們引入了深度學習算法以優(yōu)化信號處理過程，并有效降低了接收信號的誤碼率（BER）；并提出了應用HFE方法通過二次空間變換和主成分分析（PCA）提取隱藏特征來提高神經(jīng)網(wǎng)絡均衡的訓練效率，同時避免系統(tǒng)計算復雜度的增加；他們設計的E2E聯(lián)合均衡與LDPC譯碼方法綜合考慮了數(shù)字預失真（DPD）、光鏈路模型、前饋均衡器（FFE）和基于深度學習的歸一化偏移最小和（DL-NOMS）LDPC譯碼器的影響，實現(xiàn)了對傳輸鏈路的全局優(yōu)化。研究結果表明：該系統(tǒng)在100米MMF鏈路中實現(xiàn)了288 Gb/s信號的高速傳輸，誤碼率低于20%軟判決前向糾錯（FEC）閾值，且在不同傳輸場景應用中表現(xiàn)出了良好泛化能力；采用NOMS LDPC譯碼算法在迭代過程中表現(xiàn)出比傳統(tǒng)算法更低的誤碼率，其權重和偏置參數(shù)的自適應使其能夠匹配非高斯信道特性。綜上所述，該研究方案為高速光互連系統(tǒng)的設計提供了參考思路，并為未來大數(shù)據(jù)中心的建設提供了一定的技術支撐。


圖6 應用深度學習優(yōu)化信號處理的過程

參考文獻：
[1] Yamazaki H, Nagatani M, Nakamura M, et al. Analog Electronic and Optical Multiplexing Techniques for Transmitter Bandwidth Extension[J/OL]. Journal of Lightwave Technology, 2025, 43(4): 1550-1564. 
[2] M. T. Askari and L. Lampe, "Probabilistic Shaping for Nonlinearity Tolerance," [J/OL].?Journal of Lightwave Technology, 2025, 43(4): 1565-1580.
[3] Wang J, Liao J, Chen Z, et al. Remote Preparation of Bright Squeezed Light via Field-Deployed Multi-Core Fibers[J/OL]. Journal of Lightwave Technology, 2025, 43(3): 1000-1006. 
[4] Lasagni C, Serena P, Bononi A, et al. Effects of Mode Dispersion on the Nonlinear Interference in Few-Mode Fiber Transmissions[J/OL]. Journal of Lightwave Technology, 2025, 43(4): 1604-1614. DOI:10.1109/JLT.2024.3492344.
[5] Wu J, Wang Z, Chen R, et al. Efficient Physics-Informed Neural Network for Ultrashort Pulse Dynamics in Optical Fibers[J/OL]. Journal of Lightwave Technology, 2025, 43(3): 1372-1380. 
[6] Yang C, Qin H, Lan T, et al. Hidden Feature Extraction Learning and End-to-End Joint Equalization With LDPC Decoding Method for Optical Interconnect[J/OL]. Journal of Lightwave Technology, 2025, 43(4): 1746-1758.