基于 GPT-PINN 神经网络的参数化输入光纤传输模型
人工智能
2024-08-20 v1 信号处理
摘要
在本文中，我们提出了一种面向短距离传输、基于参数化输入的新型原理驱动光纤传输模型。通过考虑先前提出的原理驱动光纤模型，采用降基展开方法，并将参数化输入转化为非线性薛定谔方程的参数化系数，可以获得针对不同比特率输入的通用解，而无需重新训练整个模型。该模型一旦采用，在计算效率和物理可解释性方面均具有显著优势。此外，该模型无需预先采集传输信号即可有效训练。本文采用比特率从 2 Gbps 到 50 Gbps 的开关键控信号任务来验证模型的保真度。
引用
@article{arxiv.2408.09947,
title = {Fiber Transmission Model with Parameterized Inputs based on GPT-PINN Neural Network},
author = {Yubin Zang and Boyu Hua and Zhipeng Lin and Fangzheng Zhang and Simin Li and Zuxing Zhang and Hongwei Chen},
journal= {arXiv preprint arXiv:2408.09947},
year = {2024}
}