Compensação não linear em interconexões ópticas multicanais 400ZR empregando técnicas de aprendizado profundo

• Processo: 25/18015-1
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de fevereiro de 2026
• Data de Término da vigência: 31 de janeiro de 2028
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Ivan Aritz Aldaya Garde
• Beneficiário: João Pedro Innocente Gosmin
• Instituição Sede: Faculdade de Engenharia. Universidade Estadual Paulista (UNESP). Campus São João da Boa Vista. São João da Boa Vista , SP, Brasil
• Vinculado ao auxílio: 24/01712-9 - Compensação de distorções de transmissão em sistemas de comunicações ópticas utilizando inteligência artificial, AP.R
• Assunto(s): Comunicação óptica Inteligência artificial Otimização multiobjetivo Redes neurais
• Palavra(s)-Chave do Pesquisador: Comunicações Ópticas | Inteligência Artificial | otimização multiobjetivo | Redes neurais | Comunicações ópticas

Resumo

A crescente demanda por interconexões ópticas de alta capacidade e eficiência energética levou à ampla adoção dos padrões 400 ZR e 400 ZR+ em enlaces de comunicação de curto alcance e alta velocidade. Embora esses sistemas se beneficiem do processamento digital avançado de sinais, seu desempenho ainda é limitado pela distorção não linear em fibras ópticas. Em particular, a interferência intersimbólica não linear (ISI) degrada significativamente o desempenho em sistemas de multiplexação por divisão de comprimento de onda (WDM) multicanal do tipo 400 ZR+. Este projeto investiga técnicas de equalização não linear baseadas em aprendizado profundo para sistemas WDM de 4 canais do tipo 400 ZR, comparando o processamento de canal único e multicanal conjunto. A abordagem proposta emprega uma arquitetura de perceptron multicamadas sequencializado (S-MLP), otimizada por meio de ajuste de hiperparâmetros multiobjetivo para equilibrar a redução da taxa de erro de bit (BER) e a complexidade computacional. A metodologia envolve a simulação de cenários de transmissão realistas usando VPI Photonics, a implementação do S-MLP no TensorFlow/Keras e a avaliação do desempenho por meio da análise de frente de Pareto. Os resultados fornecerão diretrizes sobre as condições sob as quais a compensação multicanal oferece superioridade incondicional ou condicional sobre esquemas de canal único, permitindo um projeto mais eficiente de interconexões ópticas de próxima geração. (AU)