利用机器学习重新审视多步非线性补偿
使用长短时记忆神经网络来补偿数字相干系统中光纤非线性，该方案在单/多信道16QAM调制和极化复用情况下得到了验证，结果表明，与数字反向传播相比，LSTM神经网络可以作为光接收机的后处理器，提供卓越的性能。
Jan, 2020
我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。
Oct, 2020
本文提出使用各种人工神经网络对数字子载波多路复用光传输系统中的帧内和帧间光纤非线性干扰进行建模和补偿，并通过卷积神经网络和长短期记忆等核心进行非线性信道均衡。本研究表明，在DSCM系统中，将合适的宏结构放入神经网络非线性均衡器的设计中可以对未来一代相干光收发机的实际解决方案起到至关重要的作用。
Apr, 2023
本文提出了基于Transformer的非线性信道均衡方法，探讨了利用Transformer的记忆直接关注序列过程，通过块处理以及选取编码器子集进行处理，达到有效非线性补偿的方法，并对其性能及超参数范围进行分析。同时，提出了基于非线性摄动理论、物理灵感掩码用于降低Transformer非线性均衡计算复杂度。
Apr, 2023
利用迁移学习和合成数据预训练的神经网络模型，在光学基质乘法器的Mach-Zehnder干涉仪网状结构中，通过微调实验数据，有效降低建模误差，并仅使用25%的可用数据实现了小于1 dB均方根误差。
Aug, 2023
该研究论文通过对高度非线性波导中的四波混频效应进行数值分析，提出了一种基于光学领域中的非线性信号处理的新型光子加速器。该方案利用富含Kerr诱导的非线性效应，可以生成多种非线性变换来解决复杂的非线性任务，并在光通信场景中实现了全光非线性补偿，提供了比强大的机器学习算法更优秀的结果，并且功耗和计算复杂度减少。最后，展示了如何将四波混频模块用作可重构非线性激活模块，能够重现S型或整流线性单元等特征函数。
Feb, 2024
近年来，广泛的研究已经进行了探索，以利用机器学习算法在各种直接检测和自相干短距离通信应用中的应用。特别强调其在高带宽需求的被动光网络中的利用，我们介绍了一种用于机器学习信号处理的时间序列方法的新型分类法，提供了一个结构化的分类框架。最后，我们强调了这个快速发展领域中的未来研究方向，并提出了解决硬件实现复杂性问题的具体解决方案，以便在短距离光通信系统中更实用和高效地部署机器学习方法。
May, 2024