利用信道物理：用于集成计算与通信的光纤内核

《IEEE Photonics Journal》：Harnessing Channel Physics: A Fiber-Optic Kernel for Integrated Computation and Communication

　　

摘要翻译：除作为高容量通信链路之外，光纤传输系统还可充当内核平台。关键在于，光纤固有的光学非线性有助于将输入数据投射到高维特征空间，从而增强复杂模式所需的线性可分性，以支持有效分类。这一能力天然地将智能计算与光通信统一起来。本文通过三项机器学习任务，即数字识别、语音识别和电影评论情感分析，研究了利用光纤固有且复杂的动力学特性实现集成计算与通信（ICAC）的可行性。数值分析结果表明，通过利用无源光纤内核，所提出的系统在MNIST数字识别中达到了95.7%的识别准确率，在语音识别中达到90.8%，在IMDB情感分析中达到84.5%。通信恢复性能也通过均方误差（MSE）、误码率（BER）和误差矢量幅度（EVM）进行了评估。额外的固定内核、可扩展性和消融分析验证了光纤内核的适应性和物理机制。

论文解读文章

一、研究背景与问题

近年来，电信领域快速发展，机器学习（ML）已成为未来智能网络的基础性要素。然而，尽管全球数据流量呈指数级增长，电子信号处理能力的扩展却日益受到摩尔定律失效的制约。基于互补金属氧化物半导体（CMOS）的数字信号处理（DSP）在宽带信号处理中面临严重的功耗和热瓶颈。此外，冯·诺依曼架构固有的瓶颈导致数据在内存与处理单元之间频繁移动，从而带来显著的延迟和能量开销。为应对这些低效问题并与IMT-2030框架中机器学习和通信深度融合的愿景对齐，迫切需要利用光域无源特性的高能效计算范式。

已有研究展示了机器学习在智能通信系统中的重要作用，如空天地一体化网络中的人工智能（AI）驱动接入、基于深度强化学习的资源分配，以及集成感知与通信（ISAC）场景中的轻量级学习。然而，这些工作主要将机器学习作为额外的数字优化或信号处理模块。本文则探索光纤的内在传播物理是否可在传输过程中直接被用作计算资源，从而实现集成计算与通信（ICAC）。传统架构中物理层仅充当传输管道，任务需卸载至边缘服务器而产生处理延迟；ICAC则支持“传输中计算”机制，将光纤链路视为分布式神经形态处理器，在线性权重连接和非线性映射伴随光传播同时发生，这对于自动驾驶、触觉互联网等延迟敏感应用至关重要。

传统上，光纤传输系统中的线性和非线性失真（源于色散（CD）与Kerr效应的相互作用）被视为有害损伤而需要严格补偿。本文挑战了这一范式，证明这些固有物理现象可被重新用作有价值的计算资源。通过将光纤链路视为分布式内核函数，可潜在实现ICAC架构。该方案中，复杂的线性权重连接和非线性映射由信号传播的物理过程自然完成，将计算负担卸载至光域。与储备池计算（RC）范式的可行性一致，该方法仅需接收端低复杂度的线性读出即可执行复杂推理任务，从而以较小的硬件修改将标准通信链路转变为智能处理器。

二、主要技术与方法

研究人员提出利用光纤中色散与Kerr非线性共同构成光纤内核，通过非线性薛定谔方程（NLSE）描述光场演化。基于分步傅里叶方法（SSFM）的迭代结构，光纤信道等效为深层分层物理网络：色散步骤相当于频域相位乘法，在时域等价于卷积操作，从而充当无源模拟卷积神经网络（CNN）层；Kerr效应沿传播方向连续提供分布式非线性激活函数。系统采用储备池计算范式，光纤作为固定物理储备池，仅训练线性读出层，通过岭回归求解最优输出权重。数据预处理方面，针对MNIST数字识别采用方向梯度直方图（HOG）提取特征；针对FSDD语音识别采用短时傅里叶变换（STFT）结合主成分分析（PCA）；针对IMDB情感分析采用词频-逆文档频率（TF-IDF）将文本转化为数值向量。随后通过随机掩码将特征向量扩展为时序序列并调制到光载波上。通信恢复采用数字反向传播（DBP）算法。光纤参数在仿真中设置，三个任务使用不同配置，并测试固定内核的多任务适应性。

三、研究结果

A. 数字识别结果

通过MNIST数字识别任务，系统达到95.7%的整体识别准确率。混淆矩阵显示，简单数字如“0”和“1”识别率接近99%，而结构复杂的数字如“8”准确率约为90%。与基线方法相比，系统优于线性分类器（90.0%）、成对线性分类器（92.4%）、衍射深度神经网络（91.7%）和脉冲神经网络（95.0%），接近LeNet-5和支持向量机（SVM）的约98%性能，但具有高速光域处理潜力。

B. 语音识别结果

在FSDD语音识别任务中，系统达到90.8%的准确率，远高于纯线性分类器的70.7%。与先进光子系统（如深度光子储备池计算的92.4%）和忆阻器耳蜗方案（92.0%）相当，优于回声状态网络（87.5%），略低于软件递归神经网络（96.5%）。

C. 情感分析结果

在IMDB电影评论情感分析任务中，系统达到84.5%的准确率，真阳性率为84.6%，真阴性率为85.4%，表现出无偏的分类性能。系统优于朴素贝叶斯分类器（81%–83%）和基于单字词的SVM（82.9%），但略低于长短期记忆（LSTM）网络（86.5%）。这表明光纤内核的色散和非线性效应引入了序列化特征间的物理交互，增强了TF-IDF特征的可分性。

D. 通信性能结果

以语音数据为信号波形，光纤传播后波形严重失真，经1步每跨距DBP后，均方误差（MSE）从1.99降至2.15×10^-3。在相同系统设置下传输16QAM信号，DBP后误码率（BER）为3.1×10^-5，误差矢量幅度（EVM）为8.5%。这表明系统可同时利用失真波形进行推理，并通过DSP恢复传输信息。

E. 固定内核多任务评估

将情感分析任务的光纤参数固定用于数字识别和语音识别，仅重训练读出层，数字识别准确率从95.7%降至94.1%，语音识别从90.8%降至87.6%，仍优于相应线性基线（90.0%和70.7%）。表明固定不可编程的光纤链路可通过读出层适配不同任务。

F. 波特率与储备池规模分析

随着符号率增加，识别准确率先上升后略降。中等符号率增强时间混合和储备池状态丰富度，但过高符号率导致色散失真和非线性增强，MSE增大且状态可分性下降。随着储备池节点数增加，识别准确率从80.8%升至约91.1%后饱和，但传输速率下降，反映准确率与吞吐量之间的权衡。

G. 色散与Kerr非线性消融研究

移除色散后准确率从90.8%降至86.1%，移除Kerr效应后降至84.2%，两者均移除时系统退化为线性模型，准确率降至70.7%。证实色散提供时间混合与记忆，Kerr效应提供高维非线性映射，二者均为有效内核操作的关键物理资源。

四、结论与讨论

研究人员提出并数值验证了一种ICAC架构，将标准光纤传输链路转变为分布式计算引擎，利用光纤中色散与Kerr非线性之间的相互作用，将信道本身用作光纤内核。系统在三个识别任务上分别达到95.7%、90.8%和84.5%的准确率；DBP将波形MSE从1.99降至2.15×10^-3，16QAM信号恢复后BER为3.1×10^-5，EVM为8.5%。固定内核实验、波特率与储备池规模分析以及消融研究共同验证了系统的鲁棒性、可扩展性和物理机制。当前工作为数值证明，实验验证仍需未来开展。后续工作将采用实时相干接收机和高速度采集平台，在实际硬件约束下评估通信恢复与计算性能。该研究发表于《IEEE Photonics Journal》。