Специалисты Новосибирского государственного университета (НГУ) в кооперации с коллегами из Ульяновского государственного университета разработали новый многошаговый подход к компенсации нелинейных искажений в волоконно-оптических линиях связи. Предложенный метод базируется на технике цифрового обратного распространения сигнала с применением усложненной модели нелинейных эффектов на основе теории возмущений.

Работа ведется в рамках масштабного проекта «Машинное обучение для прикладных задач нелинейной фотоники», поддержанного грантом Российского научного фонда в 2025 году. Научный коллектив объединяет прикладных математиков НГУ и специалистов в области волоконной оптики из Ульяновска. Руководителем проекта выступает экс-ректор НГУ, академик РАН Михаил Федорук.

Как пояснил академик, в настоящее время особое внимание уделяется созданию «умных» лазеров, способных адаптироваться к внешним условиям и управлять параметрами в реальном времени. Такие системы необходимы для телекоммуникаций, промышленной автоматизации, сенсорики и медицины. Однако их функционирование осложняется нелинейными эффектами (Керра, вынужденное рассеяние Мандельштама–Бриллюэна) и случайными шумами. Применение методов машинного обучения, включая новые нейросетевые архитектуры, позволяет анализировать и контролировать эти явления, повышая производительность фотонных систем.

В ходе первого года исследований ученые добились значимых результатов по двум направлениям. В области машинного обучения в лазерах они разработали нейросетевые алгоритмы на основе LSTM и архитектуры «трансформер» для управления одночастотным волоконным лазером с внешним кольцевым резонатором. Модели предсказывают управляющее напряжение термооптического фазосдвигателя, имитируя работу классического ПИД-регулятора. Также продолжено изучение нелинейного преобразования Фурье для анализа оптических полей в диссипативных средах, что позволило описать связь параметров уравнения Хауса–Гинзбурга–Ландау с качественными изменениями дискретного спектра солитонов.

По второму направлению — методы машинного обучения в оптических линиях связи — создана глубокая комплекснозначная сверточная нейронная сеть, моделирующая распространение сигналов со спектральным уплотнением. Архитектура сети повторяет метод расщепления по физическим процессам и базируется на связанных нелинейных уравнениях Шредингера. Разработан эффективный подход к обучению сети через предварительную оптимизацию сверточных фильтров для компенсации хроматической дисперсии. Эксперименты подтвердили высокую точность моделирования на больших длинах линий связи.

Применение полученных результатов позволит повысить эффективность волоконно-оптической инфраструктуры, критически важной для связанности территории России и обработки растущих объемов данных. Методы найдут применение в цифровых госуслугах, науке, промышленности и повседневных сервисах.