基于机器学习的增益均衡与增强技术在O+E+S+C多波段光纤放大器中的应用

《Optik》：ML-driven gain equilization and enhancement in o+E+S+C multiband optical fiber amplifier

多波段混合光放大器设计及机器学习优化，通过集成PDFA、TDFAs、EDFA与RA解决1360–1410 nm和1500–1520 nm增益不足问题，基于P2RAMnet模型实现30 dB平均增益（MSE 0.5 dB2，MAE 0.2 dB），优化泵参数使增益平坦性提升至4 dB和2.4 dB。

　　

Krishna Sarma|Divyendu Vats|Mohd Mansoor Khan

印度古瓦哈提信息技术学院电子与通信工程系，阿萨姆邦781039，印度

摘要

本文介绍了一种混合光放大器（HOA）的设计和性能分析，该放大器工作在O+E+S+C波段，通过集成掺镨光纤放大器（PDFAs）、掺铥光纤放大器（TDFAs）和掺铒光纤放大器（EDFAs）以及拉曼放大器（RA）来实现。PDFA、TDFA和EDFA模块并联配置，用于放大1270–1560纳米范围内的光信号。然而，由于各个放大器模块的光谱覆盖范围有限，在1360–1410纳米和1500–1520纳米区域的增益性能较低，分别为$$18 dB和$$23 dB。为了克服这些限制，在PDFA–TDFA–EDFA系统中级联了一个拉曼放大器，以增强这些区域的增益性能，平均增益达到了30 dB。为了优化放大器在O+E+S+C波段的性能，开发了一个机器学习（ML）模型P2RAMnet（用于多波段放大的拉曼放大器泵浦参数优化），以预测最佳的拉曼泵浦参数。该模型显示出高准确性，均方误差（MSE）为$$0.5 dB²，平均绝对误差（MAE）为$$0.2 dB。在所有输入特征中，泵浦波长被Shapley Additive exPlanations（SHAP）分析确定为最具影响力的因素。此外，PDF分析表明，大多数预测误差都在$$3 dB范围内，这突显了模型的准确性和可靠性。P2RAMnet预测的泵浦参数建议在1360–1410纳米区域使用1321纳米波长和1500 mW的泵浦功率，在1500–1520纳米区域使用1400纳米波长和1300 mW的泵浦功率。通过OptiSystem仿真验证了这些预测参数，在1360–1410纳米范围内实现了4 dB的增益平坦度，在1500–1520纳米范围内实现了2.4 dB的增益平坦度，同时在1280–1550纳米光谱范围内保持了$$26 dB的增益。

引言

全球数据消费量的持续增长推动了多波段传输系统的发展[1]、[2]。通过利用O到U波段（1260–1675纳米），这些系统为数据传输解锁了丰富的光谱资源[3]、[4]。为了支持这种超宽带操作，大量的研究工作集中在高效光放大技术的发展上。在这方面，掺稀土光纤放大器（RE-DFAs）被认为是多波段传输的关键推动者[3]。其中，掺铒光纤放大器（EDFA）应用最为广泛；然而，其实际放大带宽仅限于C和L波段[5]、[6]。为了克服这一限制，人们广泛探索了混合放大方案。

Yang等人在[7]中展示了使用掺铥光纤放大器（TDFAs）、EDFAs和双向拉曼放大器（RAs）组合在DWDM系统中实现S+C+L波段放大，带宽达到121纳米，尽管由于多泵浦RAs的使用，泵浦功率高达2836 mW。类似地，[8]中报道了一种E+S+C+L波段混合RA，实现了10–15 dB的增益和低于7.5 dB的噪声系数。然而，在E和S波段仍需要额外的增强放大器，包括掺铋光纤放大器（BDFAs）、TDFAs和EDFAs，以获得大约22 dB的增益，主要是由于这些光谱区域的光纤损耗增加。最近，Puttnam等人在[9]中展示了使用BDFA、TDFA、EDFA、掺镨光纤放大器（PDFA）、半导体光放大器（SOA）和RAs实现O到U波段放大。尽管实现了超宽带覆盖，但在O和E波段的增益相对较低，分别约为6 dB和4 dB。为了解决这些挑战，Sarma等人在[10]中引入了一种基于RE-DFAs的新型混合光放大器（HOA），用于O+E+S+C波段（1270–1560纳米）放大，这是首次专门使用RE-DFAs。在此基础上，本研究通过集成RA来改善低增益区域的放大效果，从而提高增益均匀性。凭借其宽带宽、低噪声特性和高功率处理能力，RAs已成为宽带光放大的有前景的解决方案[11]、[12]、[13]、[14]。然而，要实现所需的增益分布，需要仔细调整泵浦功率和波长，这仍然是一个重大挑战。

神经网络（NNs）由于其能够近似复杂非线性函数的能力，非常适合使用真实世界实验数据对物理系统进行建模[15]。多项研究表明，NNs在高效建模和优化复杂光通信和光子系统方面非常有效，因为它们能够从数据中学习高度非线性关系[16]、[17]。Kasmi等人在[18]中提出了一个基于机器学习（ML）的逆向设计框架，用于优化八字形光纤激光器参数。该框架能够快速预测目标超短脉冲特性的激光设置，并通过OptiSystem仿真进行了验证。这种方法显著减少了传统数值优化和迭代实验调谐的计算负担。它证明了机器学习在实现自适应和自优化光子系统方面的有效性。在[19]中，提出了一种基于遗传算法的优化方法，用于设计多模EDFA。优化后的放大器实现了低差分模态增益、低噪声系数和多个空间模式下的均匀高增益，使其适用于空间分割复用系统。在[20]中，Ros等人提出了一个基于NN的EDFA增益预测模型，准确捕捉了10 dB到22 dB之间的增益水平，训练设备的均方误差（MSE）为$$0.04 dB²，在同一品牌另一设备上的测试中为$$0.06 dB²。NNs在拉曼放大器设计中也显示出潜力，能够快速高效地优化泵浦配置[21]、[22]。Zibar等人在[23]中提出了一种基于ML的逆向设计方法，用于选择泵浦功率和波长以实现目标增益分布。Zhang等人在[24]中提出了一种基于人工NN的优化框架，用于设计C+L波段传输的混合光纤放大器的泵浦功率。所提出的框架优于旨在实现平坦增益分布的传统设计方法，平均广义信噪比（GSNR）提高了0.54 dB。Yolcu等人在[25]中研究了使用自适应人工蜂群算法对分布式光纤拉曼放大器的泵浦波长和功率进行优化。所提出的方法在50公里SMF-28光纤跨度上实现了宽带增益平坦化，最大波动约为0.5 dB，展示了高准确性和实时计算效率。

然而，针对多波段传输的泵浦参数的ML驱动优化尚未得到充分探索。本研究采用ML模型来优化PDFA-TDFA-EDFA-RA系统中的RA的泵浦功率和泵浦波长，目标是改善O+E+S+C波段的增益平坦度。该模型使用包含信号波长、相应的拉曼泵浦参数（波长和功率）以及测量得到的增益值的数据集进行训练，然后用于预测给定信号波长集所需的最优泵浦参数。

章节片段

系统框架：设计、数学基础和算法方法

图1展示了所提出的基于机器学习的HOA的架构，该放大器工作在O+E+S+C波段。输入源包括一个连续波激光器阵列，覆盖1270–1560纳米（30个通道，间隔10纳米），输入功率为–30 dBm，通过理想的多路复用器进行复用，并通过功率分配器引导到放大器中。系统集成了PDFA、TDFAs和EDFA，以在相应的光通信波段提供目标放大。

结果与讨论

通过跟踪1000个训练周期中的MSE变化，评估了所提出的P2RAMnet模型的有效性。如图3所示，训练损失和验证损失都稳步下降，表明了高效的学习和收敛。验证损失达到了大约0.5 dB²的最小值，反映了高预测准确性和强泛化能力。

结论

本文介绍了一种覆盖1270–1560纳米（O+E+S+C波段）的多波段HOA，集成了PDFA、TDFA、EDFA和RA，以解决1360–1410纳米和1500–1520纳米区域的增益下降问题。机器学习模型P2RAMnet优化了RA泵浦参数，实现了30 dB的目标增益，均方误差（MSE）为$$0.5 dB²，平均绝对误差（MAE）为$$0.2 dB。与其他输入特征相比，泵浦波长对预测增益的影响最大，这一点通过SHAP分析得到了量化。

CRediT作者贡献声明

Krishna Sarma：撰写——原始草稿、可视化、方法论、研究、正式分析、数据管理、概念化。Divyendu Vats：撰写——原始草稿、可视化、方法论、研究、数据管理。Mohd Mansoor Khan：撰写——审稿与编辑、验证、监督、软件、资源、项目管理、方法论、研究、资金获取、正式分析、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。