Applications of Artificial Intelligence to Control and Analyze the Performance of Fiber-Optic Transmission Systems
Intelligence artificielle pour optimiser la capacité et contrôler les systèmes de transmission sur fibres optiques
Abstract
The surging demands for internet traffic have necessitated continuous expansion in opticalfiber communication systems capacity, cornerstone of global communication networks. This thesisdelves into innovative solutions addressing the challenges posed by ultra-wideband (UWB) amplificationand precise noise estimation in optical transmission systems. Optical fiber communication systems haveundergone significant evolution to meet escalating capacity requirements. Progressing from optical amplifiersand coherent detection to advanced modulationformat and digital signal processing (DSP) algorithms. To meet the need for higher traffic demands in opticalnetworks, integrating UWB schemes and implementing low-margin network designs have becomeprimordial. This work explores fundamental aspects of UWB amplification. Accurate prediction of Ramangain profiles and optimal pump configurations design is paramount, yet conventional methods prove computationallyintensive. Here, Machine Learning (ML) emerges as a powerful tool, simplifying complexityand enhancing accuracy in these scenarios. Additionally, the thesis addresses the challenge of designinglow-margin systems by developing a reliable Quality of Transmission (QoT) tool. Optical fiber transmissionsystems contend with diverse impairments such as fiber attenuation, ASE noise, laser phase noise, nonlinearinterference (NLI), etc. While linear impairments can be effectively mitigated and characterized, traditionalmethods may falter in estimating some major nonlinear impairments, posing challenges in accuracyand complexity. Consequently, this work delves into data-driven approaches, including ML frameworks,to provide effective estimation of Kerr nonlinear impairments and electronically enhanced phase noise(EEPN) In summary, this thesis leverages ML and data-driven methods to enhance the performance ofoptical transmission systems. These advancements are poised to shape the future of optical communicationsystems, facilitating higher capacities and more reliable transmissions in our rapidly evolving digitalenvironment.
La demande croissante de trafic internet a nécessité une augmentation continue de la capacité des systèmes de communication par fibre optique, fondement des réseaux de communication globaux.Cette thèse se propose des solutions innovantes pour relever les défis posés par l'amplificationà bande ultra-large et l'estimation fine du bruit dans les systèmes de transmission optique. Les systèmesde communication par fibre optique ont connu une évolution significative pour répondre aux exigencescroissantes en matière de capacité. Ils sont passés des amplificateurs optiques et de la détectioncohérente aux formats de modulation et aux algorithmes de traitement numérique du signal avancés.Pour répondre à la demande croissante de trafic dans les réseaux optiques, l'intégration de schémasUWB et la mise en oeuvre d'outil de conception de réseaux à faible marge sont devenues primordiales.Ce travail explore les aspects fondamentaux de l'amplification UWB. La prédiction précise des profils degain Raman et la conception de configuration optimale sont primordiales, mais les méthodes conventionnelless'avèrent très gourmandes en ressources de calcul. Dans ce contexte, l'apprentissage automatiqueapparaît comme un outil puissant, simplifiant la complexité et améliorant la précision dans ces scénarios.En outre, la thèse aborde le défi de la conception de systèmes à faible marge en développant unoutil fiable de qualité de transmission. Les systèmes de transmission par fibre optique sont confrontés àdiverses dégradations telles que l'atténuation de la fibre, le bruit des amplificateurs, le bruit de phasedu laser, l'interférence non linéaire, etc. Alors que les détériorations linéaires peuvent être efficacementcompensées et caractérisées, les méthodes traditionnelles peuvent manquer d'efficacité dans l'estimationde certaines détériorations non linéaires principales, car elles posent des problèmes en termes de précisionet de complexité. Par conséquent, ce travail se penche sur les approches basées sur les données, ycompris les modèles ML, afin de fournir une estimation efficace du bruit non linéaires Kerr et du bruit dephase renforcé électroniquement. En résumé, cette thèse s'appuie sur des méthodes d'apprentissage ouorientées données pour améliorer les performances des systèmes de transmission optique. Ces avancéessont prêtes à façonner l'avenir des systèmes de communication optique, en contribuant à des capacitésplus élevées et à des transmissions plus fiables dans notre environnement numérique qui évolue rapidement.
Origin | Version validated by the jury (STAR) |
---|