最新动态
【所庆专刊·预告】清华大学陈宏伟团队、南京邮电大学张祖兴团队：光纤智能信道建模的发展与挑战
【所庆专刊 · 开栏语】
2026年，中国电子科技集团公司第三十四研究所迎来建所55周年华诞。值此盛事，本刊倾力推出 “所庆专刊” ，以学术述评为载体，集中呈现一批扎根科研一线的优秀成果与前沿思考。
专刊正式出版前，我们将对邀约稿件进行系列专题推介。开篇之作，重磅推出——清华大学电子工程系陈宏伟教授与南京邮电大学臧裕斌老师（共同第一作者）的综述。该文系统梳理了光纤智能信道建模领域的发展脉络，直面未来挑战，是两位学者深耕多年的智慧结晶。
本文为《所庆专刊》开篇综述的导读与精要呈现，全文将于2026年第4期正式出版，敬请期待。先睹为快！
本期核心文章
陈宏伟1†，臧裕斌2†，简睿洁2，张祖兴2*
（1. 清华大学 电子工程系，北京 100084；
2. 南京邮电大学 电子与光学工程学院，南京 210023）
文章导读
光纤通信作为信息传输核心，其信道建模至关重要。传统方法计算复杂，难以满足高速需求，故人工智能驱动的智能信道建模应运而生，涵盖数据驱动、原理驱动及混合驱动等多种类型，显著提升了建模效率与精度。然而，该技术仍面临预测精度提升、泛化能力增强、随机噪声生成及应用场景扩展等挑战。未来，随着研究的深入，光纤信道智能建模有望突破现有局限，成为光纤通信系统设计的核心工具。
引言
随着“信息高速公路”的迅猛发展，光纤作为其核心传输介质，其重要性不言而喻。面对高速大容量光纤通信系统的智能化需求，光纤信道建模技术成为关键。本文将带您快速了解光纤智能信道建模的发展历程、现状、挑战及未来趋势。
一、光纤信道建模的传统方法与局限：
传统光纤信道建模主要基于非线性薛定谔方程（NLSE），通过分步傅里叶算法（SSFM）进行数值求解。这种方法在计算准确性和适用范围上具有显著优势，能够精准刻画光信号在复杂物理环境下的幅度与相位变化。然而，SSFM算法的计算复杂度随传输距离的增加而线性增长，导致长距离链路建模耗时较长。此外，该算法固有的串行迭代特征使其难以并行加速，严重制约了计算效率，特别是在高功率或强非线性场景下，计算负担进一步加重。因此，面对高速大容量通信系统对快速建模与实时验证的迫切需求，传统方法在计算效率与复杂度一致性上的不足日益凸显。
二、光纤智能信道模型的崛起
为解决传统方法的不足，研究人员结合人工智能（AI）技术，提出了多种光纤智能信道模型，主要分为四大类：
数据驱动型模型：
数据驱动型模型利用神经网络强大的算力和拟合能力，通过大量预采集数据进行训练，实现光纤信道的快速建模。例如，基于双向长短时记忆网络（BiLSTM）和生成对抗网络（GAN）的模型，通过自适应调整神经元权重，能够精准预测传输信号。这些模型将光纤信道信号预测从实际物理背景中抽离出来，归结为时间序列拟合问题，训练效率高，预测速度快。然而，其距离泛化性能一般，模型适用场景严格依赖于预先采集数据的分布，实际应用中可能面临数据采集困难或成本较高的问题。
原理驱动型模型：
原理驱动型模型通过引入物理知识（如NLSE）对神经网络进行约束，引导模型收敛至符合物理规律的解。例如，基于物理信息神经网络（PINN）的模型，采用多层全连接网络，通过构建基于NLSE残差和初始条件的物理约束损失函数进行训练。这些模型无需预先采集大量传输后的实测数据即可实现有效训练，距离泛化性能显著提升，物理可解释性强。然而，由于损失函数中引入复杂的NLSE微分算子，导致训练难度大、收敛速度慢，早期模型在不同传输场景间的可移植性较差。
混合驱动型模型：
混合驱动型模型结合了数据驱动和原理驱动的优势，既利用物理知识增强模型的可解释性和泛化性能，又通过数据训练提高模型的预测精度和训练效率。例如，特征解耦分布式（FDD）系列模型和S-SSFM-FNO模型，采用分布式部署策略，对光纤中的线性效应和非线性效应分别进行处理。这些模型在保持较高预测精度的同时，显著提高了训练效率和距离泛化性能，但仍存在移植性较弱、针对不同场景需要重新训练的问题。
其他模型：
除了上述三类模型外，研究人员还提出了其他重要的光纤智能信道模型，如端到端模型、ESSFM模型和高斯过程回归模型等。端到端模型在光纤传输发送端和接收端分别构建人工神经网络，对光传输链路整体进行“一体化”优化；ESSFM模型利用神经网络的“线性计算”优势处理光纤中的损耗及色散效应；高斯过程回归模型则通过训练优化核超参数达到精准预测的效果。
三、关键挑战与未来展望
预测精度的提升：
当前的首要挑战在于提升模型在极端复杂场景下的预测精度，特别是针对高传输速率、高阶调制格式、强非线性效应以及超远距离传输场景。这些场景的信号畸变机制极为复杂，必须综合考虑高阶色散、非线性效应以及偏振模色散等与信号偏振相关的效应。未来需要提升神经网络对高频分量及高阶效应的拟合和识别能力，以应对这些挑战。
泛化能力的强化：
泛化能力是指模型在超出训练数据分布之外的其他数据空间中的表现。当前现有模型的泛化能力高度依赖于其所学习的数据分布或预设的物理先验，一旦脱离原始数据分布范围或改变物理先验条件，模型性能将显著下降。因此，如何在确保模型计算复杂度处于合理限度的前提下，尽可能增强模型对于未知数据、跨场景及跨参数条件的预测性能，是未来研究的重要方向。
随机噪声与干扰的数字孪生生成：
实际链路中的动态因素（如光纤震动、应力变化）造成的干扰难以预测，要使模型更贴合真实传输场景，必须解决传输过程中随机干扰信号的“数字孪生”生成问题。特别是在超长距离传输中存在的偏振模色散等随机效应，如何实现其高精度的数字孪生生成仍有待进一步深入研究。
应用场景的扩增：
当前光纤智能模型的应用场景较为有限，主要聚焦于随机性效应和干扰噪声较小的情形。未来需要扩展至高维复用方式、高阶调制格式及高速率信号的模型研究，同时探索特种光纤（如多芯光纤、少模光纤等）的智能建模方法，以满足日益增长的应用需求。
结语
光纤智能信道建模技术正朝着更高精度、更强泛化能力、更广泛应用场景的方向发展。随着对关键挑战的逐步攻克，该技术将更好地满足高速、大容量光纤通信系统的需求，推动信息通信领域的持续进步。
【所庆专刊· 人物名片】
陈宏伟（1979—），男，清华大学电子工程系长聘教授，入选国家级高层次人才计划。主持了多项国家重点研发计划项目、国家自然科学基金以及北京市科技项目等。在Nature Communications、Nature Nanotechnology、Science Advances、Light：Science & Applicatio-
ns等学术期刊发表SCl论文100余篇，授权国家发明专利20余项。担任《Optics Letters》、《National Science Open》、《光通信技术》、《中国激光》、《红外与激光工程》等中英文科技期刊编委。曾获教育部自然科学二等奖、全国发明展览会金奖、首届军民融合创新大赛金奖以及光学工程学会技术发明一等奖等多个奖项。
【所庆专刊 · 人物名片】
臧裕斌（1995—），男，江苏省双创博士，南京邮电大学电子与光学工程学院副教授，研究方向AI光学。2013年起就读于南京航空航天大学电子信息工程学院信息工程专业并于2017年获学士学位，后于清华大学电子工程系读博并于2023年获得博士学位，同年加入南京邮电大学电子与光学工程学院。目前主持包括国家自然科学基金青年C类在内的多项项目，累计发表相关文章多篇。
【所庆专刊 · 下期预告】
本期推介至此告一段落。【所庆专刊】后续将对另一位光通信领域杰出学者的邀约稿件进行专题介绍，敬请期待。
电话｜0773-6345318
邮箱｜gtxjs@cetc.com.cn
地址｜广西桂林市七星区六合路98号
