機器學習（Machine Learning）是今年OFC的熱門主題。3月號的OSA Optics&Photonics雜志刊載了來自丹麥科技大學的Darko Zibar， Francesco Da Ros， Giovanni Brajato和Uiara C. de Moura四位作者的文章“邁向光子系統的智能時代”，摘要如下。

光通信系統為什么需要人工智能？

未來十年到十五年，雖然在信號波特率，靈活通道間距，調制格式，編碼方案等領域已經有很大的進步，還是很難滿足未來光通信系統和網絡的復雜性和性能需求。超寬帶（O+E+S+C+L）波段和空分復用（SDM）技術可能是最好的解決方案。這樣復雜的系統需要對信號與檢測機制進行優化設計。以其中使用的光放大器技術為例，需要對眾多的參數進行快速的調整以實現理想的增益曲線。同樣，下一代系統的能量效率，流量路由，通道功率和帶寬分配，調制格式等也經常需要迅速的調整。傳統方案在此已經不能勝任，光通信系統和網絡的設計都需要全新的思路。另外，新興的量子信息保密系統需要傳統信道和量子信道在同一個光網絡中共存。由于量子信號通常比傳統信號功率更低，因此接收端設計也需要更加智能。機器學習對光通信系統的價值還體現在測量系統的設計上。現有的信號分析系統無法區分不同的信號失真機制，也無法區分系統和器件帶來的失真。另外，由于光通信系統的性能趨近理論極限，對光源的噪聲特性分析更加重要，尤其是GHz范圍的噪聲分析。所有這一切，都需要機器學習的介入。

人工智能在光通信的應用案例

（一）、超寬帶光放大

傳統的EDFA只適合C波段一部分，而支持O波段的SOA技術一直并不成熟。新的超寬帶系統需要支持全部5個波段的光放大系統，而且增益曲線需要是任意形狀的。子波段之間的非線性作用要求信號功率曲線不能平坦以確保實現最大的信息率（AIR）。同時，不理想的光ADM的特性也帶來對非平坦的增益曲線的要求。現階段以拉曼放大器為主，配合BDFA（摻鉍光纖放大器）和SOA，實現的混合結構的放大器是實現超寬帶放大的主要技術。在選擇拉曼放大器的泵浦功率，波長等方面，機器學習都扮演著關鍵角色。和集成光路設計一樣，拉曼放大器的設計也是一個典型的反向系統設計ISD問題，所謂的多層次神經網絡正是解決這一問題的關鍵。

（二）、非線性通道的通信

超寬帶系統中Kerr效應，受激拉曼散射SRS等各種非線性效應帶來子通道間的相互作用，從而讓系統的設計異常復雜。解決這個問題的辦法是從輸入輸出數據出發，依托多層神經網絡算法，實現AIR的最大化。這種算法被稱為端到端學習E2E，其主要優點是對通道模式無關。

（三）、激光器和頻率梳的特性測量

在下一代光通信系統中，高性能的激光器和頻率梳扮演著關鍵角色。對于激光器和頻率梳的測試依賴于外差技術。如今最高水平的光探測器模擬帶寬可以達到100GHz，支持160GS/s，這為機器學習的引入帶來方便。諸如貝葉斯濾波技術的機器學習方法為激光器和頻率梳的測量帶來方便，尤其是激光器的相位噪聲以及量子噪聲限制帶寬。傳統的技術智能支持最高-140dB rad2/Hz的相位噪聲和MHz級別的信號。

機器學習技術如今在光通信系統的網絡規劃，故障預測和光性能監測等領域發揮越來越大的作用。未來的智能光網絡將是自動化的，自愈的，可以預測流量需求，支持能效最大化。這樣的光網絡不僅提供高速率，而且可以支持聯合國的綠色可持續發展目標。為了達到這一目標，需要光通信業者不僅要懂得光通信的物理，更要學習機器學習相關的數學，編程和算法。這將是光通信未來的重要方向。