采用神经网络替代传统的基于多项式基函数的非线性取消方法，可以实现与多项式非线性取消器相当的性能，但具有更低的计算复杂度。

Nov, 2017

该研究提出了一种基于神经网络的方法来实现数字反向传播，针对 32x100 公里的光纤链路，所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。

Oct, 2017

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

本文介绍了针对非线性数字自干扰（SI）的神经网络 SI 抵消器的硬件架构，并将其与传统的基于多项式的 SI 抵消器的硬件实现进行了比较，结果表明，深度神经网络抵消器的硬件效率高达 312.8 Msamples/s/mm^2，能效高达 0.9 nJ/sample，分别比多项式 SI 抵消器提高了 2.1 倍和 2 倍，说明在通信中应用基于 NN 的方法不仅在性能上有用，而且还能有效地降低实现复杂度。

Jan, 2020

本文提出了一种新的广义线性数字自干扰消除处理方法，该方法在现实不完美射频组件的干扰下能够更有效地抑制 send/receive 芯片上形成的自干扰波形，并成功地应用于低成本的射频前端的全双工直接转换无线电收发器。

Feb, 2014

本文研究了使用神经网络进行数字自干扰处理，探讨了复数神经网络和循环神经网络的使用，结果发现，复数神经网络有效减少了浮点运算和参数，相比于传统的多项式模型。

Dec, 2019

本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

Aug, 2021

本文介绍如何在深度神经网络中引入基于模型的方法以及相关推理算法，并展示如何将传统的网络视为马尔科夫随机场的均场推理，在此基础上实现非负矩阵分解，得到一种新类型的深度神经网络以及有效的训练方法。通过语音增强实验得到了与传统神经网络相似的结果，但参数数量却大大减少。

Sep, 2014

通过深度学习优化，可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度，使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。

Apr, 2018

提出了一个新颖的通用框架用于识别可能相互关联的系统，并保留其物理特性并提供多步预测的准确性，引入了基于反向传播的多步损失函数梯度计算的分析递归算法，直接为学习算法提供物理和结构洞察力。作为案例研究，测试了该方法用于从状态观测开始估计太空碎片的惯性矩阵。

Oct, 2023