基于 GPT-PINN 神经网络的原理驱动参数化光纤模型
人工智能
2024-08-20 v1 信号处理
摘要
为满足 Beyond 5G 通信的需求，大量基于数据驱动的人工智能光纤模型被提出，以利用人工智能的回归能力来预测光纤传输中的脉冲演化，其速度远快于传统的分步傅里叶方法。为提高物理可解释性，原理驱动光纤模型被提出，它们将非线性薛定谔方程嵌入损失函数中。然而，无论是原理驱动模型还是数据驱动模型，都需要在不同传输条件下重新训练整个模型。在进行光纤通信优化工作时，这种情况不可避免。如果不同传输条件的规模较大，则整个模型需要反复重新训练，且参数规模较大，可能消耗较高的时间成本，计算效率也会随之下降。为解决这一问题，本文提出了原理驱动的参数化光纤模型。该模型将针对一组传输条件预测的 NLSE 解分解为若干特征解的线性组合，这些特征解由每个预先训练的原理驱动光纤模型通过降基方法输出。因此，该模型只需在改变传输条件时求解线性组合系数即可，极大减轻了重新训练的负担。该模型不仅具有较强的物理可解释性，还能获得更高的计算效率。在实验演示中，该模型的计算复杂度仅为分步傅里叶方法的 0.0113%，为先前提出的原理驱动光纤模型的 1%。
引用
@article{arxiv.2408.09951,
title = {Principle Driven Parameterized Fiber Model based on GPT-PINN Neural Network},
author = {Yubin Zang and Boyu Hua and Zhenzhou Tang and Zhipeng Lin and Fangzheng Zhang and Simin Li and Zuxing Zhang and Hongwei Chen},
journal= {arXiv preprint arXiv:2408.09951},
year = {2024}
}