引入 $\gamma$-提升用于相干光通信中非线性脉冲整形的学习

相干光纤通信的脉冲整形在过去十年中一直是活跃的研究领域。大多数早期方案基于最初为线性信道设计的经典奈奎斯特脉冲整形。最著名的经典方案——分离式数字反向传播（DBP）采用联合预失真与后均衡，因而是一个非线性发射机（TX）；然而，由于克尔效应，它在光纤上遭受频谱展宽。随着深度学习中通信的应用，人们认识到自编码器可学习在光纤信道上高效通信，联合优化几何星座与脉冲整形——同时考虑色散与克尔非线性等线性和非线性损伤。例如，arXiv:2006.15027 展示了自编码器如何利用可训练线性 TX 学习缓解克尔效应引起的频谱展宽。本文将该线性架构模板扩展为可扩展的非线性脉冲整形，在发射机与接收机均使用卷积神经网络。通过引入专为非线性光纤信道设计的新型 $\gamma$-提升训练流程，我们实现了自编码器的稳定收敛，所学脉冲形状在高输入功率下达到超越经典分离式 DBP 参考的信息速率。