Uso de algoritmos de clusterização para mitigação de impedimentos em sistemas ópticos coerentes digitais DP-16QAM de alta taxa de transmissão de um único span

Abstract

O progresso nos sistemas de comunicações ópticas possibilitou um grande aumento nas taxas de transmissão de dados. E os sistemas ópticos coerentes digitais têm uma contribuição muito importante neste processo. A possibilidade de modulação do sinal em amplitude,fase e polarização, permite que se possa atingir taxas de transmissão na ordem de centenas de giga bits por segundo com grande facilidade. Porém, estas altas taxas de transmissão tornam muito importante a mitigação de efeitos lineares e não lineares, o que é possível graças ao emprego dos processadores digitais de sinais. Neste conceito, os efeitos lineares foram amplamente estudados e, por meio do domínio digital, têm sido mitigados com bastante qualidade. Algoritmos de inteligência artificial têm contribuído no processo de mitigação destes efeitos e os resultados têm se mostrado muito promissores. Diante disso, propomos neste trabalho a utilização dos algoritmos de clusterização de dados não supervisionados denominados Maximização de Expectativa e K-means com inicialização K-means++, para mitigação dos impedimentos em sistemas ópticos coerentes com modulação DP-16QAM. São analisados os resultados da taxa de erros de bits (BER, do inglês bit error ratio) para sistemas operando em 100 Gbps e 400 Gbps. Para taxas de 100 Gbps são avaliados os comprimentos de enlaces variando de 120 km a 200 km, com potência de lançamento na fibra variando de 0 dBm a 15 dBm. Já os enlaces que operam a 400 Gbps são avaliados para comprimentos de 80 km a 150 km. Com os resultados obtidos neste trabalho,podemos verificar que os algoritmos são eficazes na mitigação de não linearidades, em ambas as taxas de transmissão analisadas, quando comparados com a detecção por máxima verossimilhança. Pode-se observar também que os algoritmos auxiliam na mitigação de efeitos lineares como o desbalanceamento da rede híbrida e do efeito da dessincronização do relógio. Por fim, os custos computacionais dos algoritmos de aprendizagem de máquinas utilizados são comparados, e fica evidenciado que o custo para o algoritmo de K-means é dezenas de vezes menor.

Progress in optical communications systems has made it possible to greatly increase data transmission rates. And digital coherent optical systems have a very important contribution in this process. The possibility of modulating the signal in amplitude, phase,and polarization allows it to achieve transmission rates in the order of hundreds of giga bitsper second with great ease. However, these high transmission rates make it very important to mitigate linear and nonlinear effects, which is made possible by the use of digital signal processors. In this concept, linear effects have been extensively studied and mitigated quite well through the digital domain. Artificial intelligence algorithms have contributed to the process of mitigating these effects, and the results have shown great promise. In this context, we propose in this work to use the unsupervised data classification algorithms denominated Expectation Maximization and K-means with K-means++ initialization for mitigating nonlinear impairments in coherent optical systems with DP-16QAM modulation. Bit error rate results for systems operating at 100 Gbps and 400 Gbps are analyzed. For 100 Gbps rates, link lengths ranging from 120 km to 200 km are evaluated, with fiber launch power ranging from 0 dBm to 15 dBm. Links operating at 400 Gbps, on the other hand,are evaluated for link lengths ranging from 80 km to 150 km. With the results obtained in this work, we can verify that the algorithms are effective in mitigating nonlinearities,at both transmission rates analyzed, when compared to maximum likelihood detection. It can also be seen that the algorithms assist in mitigating linear effects such as hybrid imbalance I/Q and the effect of clock desynchronization. Finally, the computational costof the machine learning algorithms used are compared, and it is evident that the cost forthe K-means algorithm is tens of times lower.