1. 引言与背景

• 光纤通信的重要性：光纤凭借低损耗、大带宽及抗干扰等优势，成为支撑“信息高速公路”的核心传输介质。截至2025年底，我国光纤光缆部署总里程已逾7.4×10^7 km，终端接口数量突破12亿个。

• 光纤信道建模的必要性：光纤信道建模是系统设计与优化的基础，通过揭示损耗、色散、非线性效应及噪声干扰对信号演化的影响，为调制格式选择、编码策略设计及数字信号处理算法开发提供理论依据。

2. 传统光纤信道建模方法

• 非线性薛定谔方程（NLSE）：传统光纤信道建模基于NLSE，精准刻画光信号在复杂物理环境下的幅度与相位变化。

• 分步傅里叶方法（SSFM）：由于NLSE解析解稀缺，一般采用SSFM进行数值求解。SSFM具有计算准确、适用范围广的优势，但计算复杂度随传输距离增加而线性增长，难以并行加速，制约了计算效率。

3. 光纤信道智能模型的分类与构建

• 数据驱动模型（DDM）：

• 原理：利用神经网络强大的算力与拟合能力，通过大量预采集数据进行训练，实现光纤信道的快速建模。

• 代表模型：基于双向长短时记忆网络（BiLSTM）、生成对抗网络（GAN）、Transformer架构的模型。

• 优势：训练效率高，预测效率较SSFM显著提升。

• 局限：对训练数据规模依赖性强，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。

• 原理驱动模型（PBM）：

• 原理：通过引入物理知识（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。

• 代表模型：基于物理信息神经网络（PINN）、傅里叶神经算子（FNO）、深度算子网络（DeepONet）的模型。

• 优势：无需大量实测数据，距离泛化性能显著提升，物理可解释性强。

• 局限：训练难度大、收敛速度慢，不同传输场景间的可移植性较差。

• 混合驱动型模型：

• 原理：结合DDM和PBM的优势，既利用物理知识增强模型的可解释性和泛化性能，又通过数据驱动提升训练效率。

• 代表模型：特征解耦分布式（FDD）系列模型、稀疏分步傅里叶方法-傅里叶神经算子（S-SSFM-FNO）模型。

• 优势：在计算效率和物理可解释性之间实现平衡，适用于长距离传输预测。

• 局限：移植性较弱，针对不同场景需要重新训练。

• 其他光纤信道智能模型：

• 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。

• 增强分步傅里叶算法（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：通过训练优化核超参数，达到精准预测的效果。

4. 关键挑战与未来展望

• 预测精度的提升：提升模型在高传输速率、高阶调制格式、强非线性效应及超远距离传输场景下的预测精度。

• 泛化能力的强化：增强模型对于未知数据、跨场景及跨参数条件的预测性能。

• 随机噪声与干扰的数字孪生生成：解决传输过程中随机干扰信号的“数字孪生”生成问题，特别是超长距离传输中的PMD及其他随机效应。

• 应用场景的扩增：解决预测精度不足、泛化能力受限及随机噪声数字孪生生成困难等问题，扩增模型的应用场景，包括横向扩展（如高维复用方式、高阶调制格式及高速率信号）和纵向替代能力（如完全替代经典算法）。

5. 结束语

• 总结：光纤信道智能建模技术结合NLSE、传统SSFM及AI技术，已在保证计算复杂度不随外部链路变化而剧烈波动的前提下，展现出较高的预测精度、较好的距离泛化能力及初步的物理可解释性能。

• 展望：随着对高阶效应拟合、泛化能力增强、随机噪声数字孪生及特种光纤适配等关键挑战的逐步攻克，光纤信道智能建模技术将更好地应对高速、大容量光纤通信系统的需求，实现从“辅助参考”向“核心仿真引擎”的跨越。