基于物理信息机器学习的 EDFA：参数识别与增益估计
光学
2025-02-24 v1
摘要
作为通过增加容量和降低成本来实现长距离光纤通信中关键组件，准确表征和 EDFAs 增益设置对于质量传输估计和系统配置优化至关重要。然而，由于复杂的物理机制和动态负载条件，难以构建准确可靠的 EDFAs 模型。虽然提出了一些数学和数据驱动模型，但分别面临复杂参数测量和高数据需求的局限性。为克服两者的局限性，提出一种物理信息机器学习（PIML）方法，用于 EDFAs 参数识别与增益估计，该方法通过在神经网络中嵌入物理先验知识大幅降低数据需求。在本方法中，当已知包括吸收、增益、饱和度和背景损耗等参数时，基于物理信息神经网络（PINN）的前向模型可准确估计 EDFAs 的增益。对于实际场景中参数未知的情况，首先建立基于 PINN 的逆向模型，从仅几个输入输出数据对中识别参数的实际值，然后依据识别出的值建立基于 PINN 的前向模型进行增益估计。此外，构建了一个实验系统来验证该方法在实际场景中的可行性和性能。结果表明，PIML 方法可有效从测量数据中识别物理参数，并使用识别出的值相对于典型参数值，实现更好的增益估计结果，平均绝对误差为 0.127 dB，标准差为 0.065 dB。
引用
@article{arxiv.2502.15144,
title = {Physics-Informed Machine Learning for EDFA: Parameter Identification and Gain Estimation},
author = {Xiaotian Jiang and Jiawei Dong and Yuchen Song and Jin Li and Min Zhang and Danshi Wang},
journal= {arXiv preprint arXiv:2502.15144},
year = {2025}
}