Prediksi OSNR/GSNR pada Tautan Brownfield melalui Model Hibrida Fisika/ML Berjangkar DLM

Kerangka kerja hibrida fisika/ML mengkalibrasi batas span dan ILA menggunakan DLM, mencapai akurasi di bawah 0,5 dB untuk daya per kanal, OSNR, dan GSNR pada jaringan optik brownfield.

Agastya Raj; Venkata Virajit Garbhapu; Hiroyuki Ishihara; Peyman Pahlevanzadeh; Hideki Nishizawa; Takeo Sasai; Daniel C. Kilper; Marco Ruffini· 2026· DOI 10.48550/arXiv.2607.12152

Masalah inti

Tautan optik brownfield menghadirkan tantangan unik bagi prediksi kinerja karena infrastruktur warisan, parameter serat yang tidak diketahui, dan peralatan yang heterogen. Prediksi akurat daya per kanal, optical signal-to-noise ratio (OSNR), dan generalized signal-to-noise ratio (GSNR) sangat penting untuk perencanaan jaringan dan provisioning layanan yang efisien. Model berbasis fisika tradisional sering gagal di lingkungan brownfield karena bergantung pada pengetahuan yang tepat mengenai rugi span, gain amplifier, dan lokasi inline amplifier (ILA), yang sering kali tidak tersedia atau tidak akurat. Pendekatan machine learning (ML) dapat belajar dari data tetapi mungkin kurang memiliki interpretabilitas fisik dan generalisasi yang buruk terhadap konfigurasi yang belum pernah dilihat. Karya ini memperkenalkan kerangka kerja hibrida fisika/ML yang berjangkar pada digital line model (DLM) untuk menjembatani kesenjangan ini. DLM menyediakan referensi berbasis fisika yang mengkalibrasi batas span dan ILA, sehingga komponen ML dapat mengoreksi galat residual. Kerangka kerja ini dievaluasi pada tautan brownfield untuk provisioning kanal tunggal dan optical spectrum as a service (OSaaS),

Inovasi

Kerangka kerja ini dievaluasi pada tautan brownfield dalam dua skenario provisioning: kanal tunggal dan OSaaS. Untuk provisioning kanal tunggal, model hibrida mencapai galat prediksi OSNR tidak lebih dari 0,39 dB dan galat GSNR tidak lebih dari 0,43 dB. Untuk OSaaS, yang melibatkan banyak kanal di seluruh spektrum, akurasi serupa tetap terjaga, dengan galat OSNR dan GSNR masing-masing dalam 0,39 dB dan 0,43 dB. Hasil ini merupakan peningkatan signifikan dibandingkan model berbasis fisika yang tidak terkalibrasi, yang biasanya menunjukkan galat melebihi 1 dB di lingkungan brownfield. Kalibrasi batas span dan ILA melalui DLM sangat penting; tanpanya, model ML saja kesulitan mencapai akurasi sub-dB. Tabel di bawah ini merangkum galat maksimum yang diamati. | Skenario | Galat OSNR Maks (dB) | Galat GSNR Maks (dB) | |----------|---------------------|---------------------| | Kanal tunggal | 0,39 | 0,43 | | OSaaS | 0,39 | 0,43 | Hasil ini menunjukkan bahwa pendekatan hibrida dapat digeneralisasi dengan baik di berbagai konfigurasi tautan dan jumlah kanal, sehingga cocok untuk penerapan praktis di jaringan brownfield.

Tautan optik brownfield menghadirkan tantangan unik bagi prediksi kinerja karena infrastruktur warisan, parameter serat yang tidak diketahui, dan peralatan yang heterogen. Prediksi akurat daya per kanal, optical signal-to-noise ratio (OSNR), dan generalized signal-to-noise ratio (GSNR) sangat penting untuk perencanaan jaringan dan provisioning layanan yang efisien. Model berbasis fisika tradisional sering gagal di lingkungan brownfield karena bergantung pada pengetahuan yang tepat mengenai rugi span, gain amplifier, dan lokasi inline amplifier (ILA), yang sering kali tidak tersedia atau tidak akurat. Pendekatan machine learning (ML) dapat belajar dari data tetapi mungkin kurang memiliki interpretabilitas fisik dan generalisasi yang buruk terhadap konfigurasi yang belum pernah dilihat. Karya ini memperkenalkan kerangka kerja hibrida fisika/ML yang berjangkar pada digital line model (DLM) untuk menjembatani kesenjangan ini. DLM menyediakan referensi berbasis fisika yang mengkalibrasi batas span dan ILA, sehingga komponen ML dapat mengoreksi galat residual. Kerangka kerja ini dievaluasi pada tautan brownfield untuk provisioning kanal tunggal dan optical spectrum as a service (OSaaS), menunjukkan galat prediksi OSNR dan GSNR tidak lebih dari 0,39 dB dan 0,43 dB. Digest ini menguraikan metodologi, hasil, dan implikasi dari pendekatan ini.

Kerangka kerja yang diusulkan menggabungkan DLM berbasis fisika dengan tahap koreksi machine learning. DLM menyimulasikan propagasi sinyal melalui tautan optik menggunakan model serat dan amplifier standar, tetapi parameternya (misalnya, rugi span, posisi ILA) dikalibrasi menggunakan data terukur. Kalibrasi dilakukan dengan meminimalkan selisih antara prediksi DLM dan sekumpulan pengukuran referensi, yang dapat mencakup daya per kanal atau OSNR pada titik tertentu. DLM yang terkalibrasi kemudian berfungsi sebagai ekstraktor fitur dan prediktor dasar. Model ML, seperti neural network atau gradient boosting regressor, dilatih pada residual antara prediksi DLM dan ground truth untuk menangkap efek yang tidak dimodelkan seperti nonlinearitas, penalti filter, atau perilaku spesifik peralatan. Model hibrida ini mengeluarkan daya per kanal, OSNR, dan GSNR. Kerangka kerja ini dirancang untuk tautan brownfield yang pengetahuan fisiknya kurang lengkap. Proses kalibrasi dirumuskan sebagai masalah optimisasi: diberikan data terukur y dan parameter DLM θ, temukan θ^{*} = ar g θ min ∥ y - f_{DLM} (θ) ∥^{2}, dengan f_{DLM} adalah fungsi DLM. Koreksi ML kemudian adalah \hat{y} = f_{DLM} (θ^{*}) + g_{ML} (x), dengan x adalah fitur dari DLM dan pengukuran. Alur kerja keseluruhan diilustrasikan dalam diagram Mermaid di bawah ini.

Mengapa penting

Wawasan kunci dari karya ini adalah bahwa menjangkarkan ML dengan model fisika yang terkalibrasi mengurangi inefisiensi data dan ekstrapolasi buruk dari ML murni, sekaligus mengompensasi ketidakakuratan fisika murni dalam skenario brownfield. Kalibrasi DLM secara efektif mengidentifikasi batas span dan ILA, yang sering menjadi sumber ketidakpastian terbesar. Koreksi ML residual kemudian menangkap efek orde kedua seperti interferensi nonlinear, penyempitan filter, dan ketidaksempurnaan transceiver. Akurasi yang dicapai \leq0,39 dB untuk OSNR dan \leq0,43 dB untuk GSNR berada dalam toleransi yang dibutuhkan untuk banyak tugas perencanaan dan optimisasi jaringan, termasuk penyeimbangan daya dan provisioning layanan. Kemampuan kerangka kerja ini untuk menangani skenario kanal tunggal dan OSaaS menunjukkan fleksibilitasnya. Namun, pendekatan ini bergantung pada ketersediaan beberapa pengukuran referensi untuk kalibrasi; pada tautan yang sepenuhnya tidak terukur, metode alternatif mungkin diperlukan. Pekerjaan selanjutnya dapat mengeksplorasi pengurangan jumlah titik kalibrasi, perluasan ke lingkungan multi-vendor, dan integrasi model ke dalam loop kontrol waktu nyata. Paradigma hibrida fisika/ML menjanjikan untuk domain jaringan lain di mana model fisik tidak sempurna tetapi data langka.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…