Источник: Новосибирский государственный университет –
Важный отказ от ответственности находится в нижней части этой статьи.
Новый многошаговый подход для компенсации нелинейных искажений в линиях волоконно-оптической связи на основе метода цифрового обратного распространения сигнала, в котором применяется усложненная модель нелинейных эффектов с использованием теории возмущений, создан учеными Новосибирского государственного университета. Работа над данным подходом проводилась в рамках комплекса исследований, направленных на преодоление влияния нелинейных физических эффектов и случайных шумов на оптические сенсоры и волоконно-оптические линии связи. В этом масштабном проекте ученые НГУ в сотрудничестве с коллегами из Ульяновского государственного университета объединили фотонику и машинное обучение, что позволило разрабатывать новые методы анализа, оптимизации и управления нелинейными процессами, опираясь как на высокую скорость обработки сигнала в оптических системах, так и на способность машинного обучения находить и использовать скрытую информацию. Проект «Машинное обучение для прикладных задач нелинейной фотоники», руководителем которого является экс-ректор НГУ, Академик РАН, доктор физико-математических наук Михаил Федорук, в прошлом году получил грантовую поддержку Российского научного фонда благодаря победе в междисциплинарном конкурсе в категории «Проведение фундаментальных научных исследований и поисковых научных исследований по поручениям (указаниям) Президента Российской Федерации».
Союз математиков и физиков
— Особое внимание в настоящее время уделяется развитию «умных» лазеров, которые могли бы адаптироваться к внешним условиям и динамически управлять параметрами в реальном времени. Такие системы обеспечивают более точное и надежное функционирование оптических волоконных систем в сложных условиях, что открывает новые возможности для их применения в телекоммуникациях, промышленной автоматизации, сенсорике, медицине и системах безопасности. Проект актуален в свете современных вызовов, стоящих перед телекоммуникационной и лазерной отраслями. Оптические линии связи являются основой цифровой инфраструктуры и поддерживают все области, связанные с цифровыми технологиями. Увеличение объемов передаваемых данных требует разработки новых технологий, что приводит к необходимости учитывать нелинейные и шумовые эффекты. Функционирование многих волоконных лазерных систем также связано с нелинейными эффектами, такими как эффект Керра, комбинационное и Бриллюэновское рассеяние. С одной стороны, эти эффекты могут быть полезны, например, для синхронизации мод в импульсных лазерах, но с другой — они могут привести к проявлениям неустойчивости и дестабилизировать систему. В управлении этой нелинейностью ключевую роль могут сыграть методы машинного обучения, в частности, новые нейросетевые алгоритмы различной архитектуры, — сказал Михаил Федорук.
Проект направлен на решение научной проблемы, связанной со сложностью анализа, моделирования и управления нелинейными и случайными процессами в фотонике, представляющей собой одну из важных областей современной науки и включенной в перечень «сквозных» технологий Платформы НТИ. Использование методов машинного обучения для исследования нелинейных эффектов и их проявления при наличии случайных процессов открывает новые возможности для повышения производительности фотонных систем и создания новых решений.
— Проект «Машинное обучение для прикладных задач нелинейной фотоники» — междисциплинарный. Он был запущен по инициативе НГУ и объединил усилия двух научных групп —прикладных математиков и лазерных физиков. Первая группа относится к НГУ, основные исполнители проекта – Олег Сидельников, Анастасия Беднякова, Алексей Редюк – окончили ММФ НГУ и под моим руководством защищали дипломные работы, а потом кандидатские диссертации. Вторая группа представляет Ульяновский государственный университет. Ее возглавляет признанный эксперт в области нелинейной волоконной оптики, волоконных лазеров и сенсоров, кандидат физико-математических наук Андрей Фотиади. Обе группы занимаются моделированием по двум основным направлениям. Первое связано с методами машинного обучения в лазерах и нелинейных фотонных системах, а второе — с методами машинного обучения и нелинейных технологий в оптических линиях связи, — сказал Михаил Федорук.
Междисциплинарный подход
Универсальных методов анализа нелинейных систем до сих пор не существует, но решение многих прикладных задач в этой области требует новых подходов, поэтому значимость исследования становится все более актуальной. Для улучшения характеристик существующих систем и создания новых инженерных концепций требуется понимание и правильная трактовка нелинейных эффектов и их взаимодействия со случайным шумом. Использование методов машинного обучения для исследования нелинейных эффектов и их проявления при наличии случайных процессов открывает новые возможности для повышения производительности фотонных систем и создания новых решений.
— Алгоритмы машинного обучения могут адаптироваться к изменяющимся условиям и эффективно обрабатывать большие объемы данных, извлекая скрытые зависимости и позволяя улучшать характеристики систем в режиме реального времени. Такой междисциплинарный подход, объединяющий фотонику и машинное обучение, позволяет разрабатывать новые методы анализа, оптимизации и управления нелинейными процессами, опираясь как на высокую скорость обработки сигнала в оптических системах, так и на способность машинного обучения находить и использовать скрытую информацию, — пояснил Михаил Федорук.
«Умная» фотоника
Команда проекта объединяет компетенции двух научных коллективов, необходимые для успешной реализации проекта, а именно разработки алгоритмов машинного обучения и создания с их использованием устройств «умной» фотоники. В рамках этой коллаборации группа лазерных физиков, обладающая экспертизой в разработке современных нелинейных и микроволновых фотонных устройств, займется созданием функциональных устройств и инструментов для их контроля. Данные устройства станут объектами для тестирования новых оригинальных математических алгоритмов, разрабатываемых группой прикладных математиков НГУ с опытом в моделировании физических систем и применения методов машинного обучения для их оптимизации и управления. Синергия этих двух направлений позволит не только развить новый математический аппарат машинного обучения, но и создать новые устройства фотоники для применений в реальном секторе экономики, отличающиеся от существующих аналогов качественно новыми потребительскими характеристиками.
Вклад в работу партнера проекта будет заключаться в проведении предварительных экспериментов по тестированию лазеров с целью передачи команде НГУ результатов, необходимых для разработки и тестирования алгоритмов машинного обучения, разработки и внедрении в конфигурацию лазеров дополнительных средств электронного контроля режима их функционирования, необходимых для совместной работы фотонных устройств с обученными алгоритмами.
Машинное обучение
Группа НГУ под руководством Михаила Федорука в рамках проекта выполнит широкий круг теоретических и численных исследований, которые будут разделены на два основных научных направления: «Методы машинного обучения в лазерах и нелинейных фотонных системах» и «Методы машинного обучения и нелинейные технологии в оптических линиях связи».
В рамках первого направления будут разработаны нейросетевые алгоритмы на основе архитектур рекуррентных нейронных сетей, архитектур «трансформер» и алгоритмов обучения с подкреплением для реализации оптоэлектронной обратной связи в волоконных лазерных системах. Для стабилизации генерации излучения и управления его важнейшими частотно-временными и спектральными характеристиками планируется внедрение оптоэлектронной обратной связи на основе алгоритмов машинного обучения в конфигурации волоконных лазеров. Далее предусмотрен анализ лазерного излучения с применением нелинейного преобразования Фурье (NFT). Второе направление включает в себя разработку схемы компенсации дисперсионных и нелинейных эффектов, основанную на глубоких сверточных нейронных сетях. Далее последует объединение подходов, основанных на методе цифрового обратного распространения сигнала и алгоритмов обработки сигналов, основанных на теории возмущений для компенсации нелинейных искажений.
Нейросетевые алгоритмы
В первый год выполнения проекта ученые добились важных результатов по обоим основным его направлениям. В разработке методов машинного обучения в лазерах и нелинейных фотонных системах они провели комплекс теоретических и численно-экспериментальных исследований, направленных на создание нейросетевых алгоритмов управления одночастотным волоконным лазером с внешним кольцевым резонатором. Разработали и реализовали модели на основе архитектур нейронных сетей с длинной кратковременной памятью (LSTM) и «трансформер» (Transformer), позволяющие по сигналу фотодетектора предсказывать управляющее напряжение термооптического фазосдвигателя, имитируя поведение классического ПИД-регулятора.
— Мы продолжили изучение новых возможностей применения NFT для анализа оптических полей в диссипативных средах. Рассмотрено уравнение Хауса-Гинзбурга-Ландау (УХГЛ) в качестве важного примера, используемого для моделирования лазерных резонаторов. В результате была исследована зависимость типа режима генерации от параметров УХГЛ – энергии насыщения и мощности насыщения. Были определены области значений параметров, в которых солитоны УХГЛ близки к солитонам нелинейного уравнения Шредингера, а также показано, что в этом случае динамика поля, подчиняющегося УХГЛ, может быть описана с высокой точностью с использованием только дискретного спектра. В случае одноимпульсных режимов были детально описаны этапы генерации односолитонного решения из шума и показана связь смены этих этапов с качественными изменениями параметров дискретного спектра, — пояснил Михаил Федорук.
Нейронная сеть
Не менее эффективными были исследования, проведенные в рамках направления «Методы машинного обучения и нелинейные технологии в оптических линиях связи». Была разработана глубокая комплекснозначная сверточная нейронная сеть, предназначенная для моделирования распространения оптических сигналов в волоконной линии связи со спектральным уплотнением каналов.
— Архитектура данной сети имитирует метод расщепления по физическим процессам и основана на связанных нелинейных уравнениях Шредингера. Также нами были проведены исследования влияния на точность моделирования основных параметров нейросетевой модели, включая ширину сверточных и нелинейных фильтров, а также число слоев на пролёт волокна. Разработан и протестирован эффективный подход к обучению сети, основанный на предварительной оптимизации сверточных фильтров для компенсации хроматической дисперсии. Полученные результаты демонстрируют высокую точность моделирования распространения сигналов на больших длинах линии связи и подтверждают возможность применения предложенной архитектуры в задачах анализа и оптимизации волоконно-оптических систем со спектральным уплотнением каналов, — пояснил Михаил Федорук.
Перспективы
Ученый подчеркнул, что применение полученных результатов на практике позволит повысить эффективность волоконно-оптических линий связи, что составляет основу для развития инфраструктуры высокоскоростной передачи данных, стратегически важной для связанности территории Российской Федерации. Непрерывное внедрение новых телекоммуникационных и лазерных технологий, в том числе с применением предложенных в проекте методов машинного обучения, способствует развитию таких стратегических направлений, как переход к передовым цифровым, интеллектуальным производственным технологиям, создание систем обработки больших объемов данных, машинного обучения и искусственного интеллекта. Результаты проекта могут найти практическое применение в нескольких стратегически важных секторах реальной экономики. Решение проблемы передачи растущего объема информации напрямую влияет на развитие новых государственных цифровых услуг и сервисов, на развитие науки и новых технологий, а также на многие другие области промышленности, бизнеса и повседневной жизни.
Примите к сведению; Эта информация является необработанным контентом, полученным непосредственно от источника информации. Она представляет собой точный отчет о том, что утверждает источник, и не обязательно отражает позицию MIL-OSI или ее клиентов.
