Link-adaptive digital twin for robust physical-layer modeling in hybrid-amplified ultra-wideband optical networks

📄 arXiv: 2608.10517v1 📥 PDF

作者: Xiaoxuan Gao, Rentao Gu, Yingchun Wang, Xinyi Liu, Junshi Gao, Yuefeng Ji

分类: cs.NI, cs.LG, physics.data-an, physics.optics

发布日期: 2026-08-11

期刊: Xiaoxuan Gao, Rentao Gu, Yingchun Wang, Xinyi Liu, Junshi Gao, Yuefeng Ji, Journal of Optical Communications and Networking, Volume: 18, Issue: 6, June 2026

DOI: 10.1364/JOCN.580631

💡 一句话要点

提出链接自适应数字双胞胎以解决超宽带光网络建模问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 超宽带光网络 物理层建模 数字双胞胎 信号功率预测 机器学习 神经网络 适应性建模

📋 核心要点

  1. 现有方法在超宽带光网络中面临泛化能力不足和速度限制，难以应对复杂的物理层建模需求。
  2. 论文提出链接自适应数字双胞胎（LA-DT），通过分解GSNR建模任务和开发专用模型来提升建模准确性和适应性。
  3. 实验结果显示，LA-DT在多个场景中显著降低了预测误差，尤其在未见场景中也能保持高准确性，展现出良好的适应性。

📝 摘要（中文）

准确的物理层建模对于可靠的超宽带操作和容量优化至关重要，尤其是在增强的通道间受激拉曼散射（ISRS）效应下。本文提出了链接自适应数字双胞胎（LA-DT），旨在克服现有方法的泛化和速度限制，实现多样化链路的准确建模和稳健的广义信噪比（GSNR）估计。通过对EDFA异质性的处理，GSNR建模任务被分解为三个关键功率预测：ASE、NLI和信号功率。为增强跨场景的泛化能力，开发了三种专用的数字双胞胎模型，并通过新颖的神经架构与线性调制层（LML）实现。实验结果表明，LA-DT在35个场景中显著降低了NLI、ASE和信号功率预测的均方根误差（RMSE），并在12个未见场景中保持高准确性。

🔬 方法详解

问题定义：本文旨在解决超宽带光网络中物理层建模的准确性和泛化能力不足的问题。现有方法在面对异质性和复杂场景时，往往无法提供可靠的信号功率预测和GSNR估计。

核心思路：论文提出的LA-DT通过将GSNR建模任务分解为多个关键功率预测，结合新颖的神经网络架构，旨在提升模型的准确性和适应性。通过这种设计，LA-DT能够更好地应对不同链路条件下的建模挑战。

技术框架：LA-DT的整体架构包括三个主要模块：功率预测模块（ASE、NLI和信号功率），数字双胞胎模型（基于线性调制层的神经网络），以及领域鉴别器（用于少样本微调）。这些模块协同工作，以实现高效的建模和预测。

关键创新：LA-DT的主要创新在于其链接自适应性和对拉曼放大器插入损耗的显式考虑。这使得模型在不同场景下具有更强的适应能力和可靠性，显著优于传统方法。

关键设计：在模型设计中，采用了线性调制层（LML）来增强模型的表达能力，同时设置了领域鉴别器以指导少样本微调，确保模型在数据稀缺的情况下仍能保持高准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，LA-DT在35个场景中将NLI、ASE和信号功率预测的均方根误差（RMSE）分别降低至0.151、0.111和0.113 dBm，提升幅度分别为56.0%、58.4%和52.7%。在12个未见场景中，LA-DT通过少样本微调实现了平均GSNR RMSE为0.159 dB，展现出强大的适应性和稳健性。

🎯 应用场景

该研究在超宽带光网络的物理层建模中具有广泛的应用潜力，能够提升网络的可靠性和性能，尤其是在高复杂度和动态变化的环境中。未来，该方法可能推动更高效的光网络设计和优化，促进通信技术的发展。

📄 摘要（原文）

Accurate physical-layer modeling is increasingly essential for reliable ultra-wideband operation and capacity optimization, especially under the intensified inter-channel stimulated Raman scattering (ISRS) effect. This paper proposes the link-adaptive digital twin (LA-DT) for hybrid-amplified ultra-wideband links to overcome the generalization and speed limitations of existing methods, achieving accurate modeling and robust generalized signal-to-noise ratio (GSNR) estimation across diverse links. First, to address EDFA heterogeneity, the GSNR modeling task is decomposed into three key power predictions: ASE, NLI, and signal powers before EDFA entry. Second, to enhance cross-scenario generalization, three dedicated DT models are developed using a novel neural architecture with linear modulation layers (LMLs). Third, for rapid adaptation to unseen scenarios with limited data, three domain discriminators guide few-shot fine-tuning of the LMLs. Fourth, the LA-DT explicitly accounts for Raman amplifier (RA) insertion loss, improving practical deployment reliability. Results across 35 scenarios show that LA-DT reduces RMSE for NLI, ASE, and signal power predictions to 0.151, 0.111, and 0.113 dBm with improvements of 56.0%, 58.4%, and 52.7% over the baseline,and achieves an average GSNR estimation RMSE of 0.114 dBm (55.8% improvement). For 12 unseen scenarios, the LA-DT maintains high accuracy through few-shot fine-tuning with only 20 samples per scenario, achieving an average GSNR RMSE of 0.159 dB and demonstrating strong adaptability and robustness.