BỘ CÂN BẰNG TÍN HIỆU DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP MỘT CHIỀU CHO HỆ THỐNG THÔNG TIN QUANG CỰ LY NGẮN TỐC ĐỘ 100 Gb/s

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 131 ký tự ISI. Tín hiệu số sau đó được chuyển sang miền tương tự thông qua bộ DAC, kế đến sau khi qua mạch lái tín hiệu được điều chế lên sóng mang quang bằng bộ điều chế Mach-Zehnder (MZM). Tín hiệu quang này được ghép và truyền qua sợi quang đơn mode (SMF). Tại phía thu, tín hiệu chuyển từ miền quang sang miền điện bằng photodiode PIN. Sau đó, tín hiệu điện đi qua bộ khuếch đại bằng TIA và chuyển đổi sang tín hiệu số bởi bộ chuyển đổi ADC. Tiếp tục, tín hiệu được lấy mẫu lại với tốc độ 1 mẫu/ký tự, chuẩn bị cho quá trình cân bằng tín hiệu. Chuỗi tín hiệu số đầu ra được xử lý bởi bộ cân bằng ghép lai bao gồm: bộ cân bằng tuyến tính FFE nhằm xử lý các yếu tố méo tuyến tính và một mạng nơ-ron tích chập một chiều (1D-CNN [12]) để hạn chế các thành phần méo phi tuyến và các yếu tố gây biến dạng khác còn sót lại của hệ thống. Tín hiệu sau cân bằng được chuyển lại về chuỗi bit dữ liệu thông qua bộ ánh xạ, BER cũng được tính toán tại đây và được sử dụng như là một tham số giúp đánh giá về chất lượng của hệ thống. 2.2 Đề xuất bộ cân bằng ứng dụng mạng nơ-ron tích chập 1 chiều Các bộ cân bằng truyền thống như FFE [13], thường sử dụng thuật toán LMS hoặc RLS, đã được ứng dụng để bù méo tín hiệu nhưng chỉ xử lý được thành phần tuyến tính do đặc tính của bộ lọc FIR. Bộ cân bằng phản hồi quyết định (DFE) [13, 14] có thể cải thiện hiện tượng suy giảm công suất bằng cách chèn cực tại các vị trí rãnh tần số, song dễ gặp lỗi lan truyền trong điều kiện nhiễu lớn hoặc khi méo phi tuyến mạnh, khiến việc triển khai thực tế thiếu ổn định. Gần đây,

mạng nơ-ron nhân tạo (ANN) cho thấy tiềm năng nhờ khả năng học quan hệ phi tuyến giữa tín hiệu thu và nhãn đầu ra. Tuy nhiên, do kiến trúc kết nối đầy đủ, ANN đòi hỏi số tham số lớn và thường chỉ triển khai ở dạng học nông. Hơn nữa, ANN không tận dụng được cấu trúc cục bộ của chuỗi PAM-4 và dễ gặp vấn đề lan truyền gradient, dẫn đến hiệu năng còn hạn chế trong hệ thống truyền dẫn quang tốc độ cao [11]. Để khắc phục các nhược điểm của bộ cân bằng truyền thống, cũng như các mô hình học nông như mạng nơ-ron nhân tạo ANN, chúng tôi đề xuất mạng nơ-ron tích chập một chiều (1D- CNN) như một giải pháp cân bằng phù hợp, nhờ khả năng học các đặc trưng cục bộ trong chuỗi ký tự đầu vào với độ phức tạp tính toán thấp so với các mạng tích chập hai chiều (2D-CNN) và ba chiều (3D-CNN) [15]. Về nguyên lý, mạng 1D-CNN sử dụng các bộ lọc hay kernel như các cửa sổ trượt theo chuỗi ký tự liên tiếp ở ngõ vào, cho phép khai thác thông tin về mối quan hệ ngắn hạn giữa các ký tự lân cận trong chuỗi tín hiệu này. Quá trình này hỗ trợ mô hình học được các đặc trưng và mô hình hoá được các hiện tượng méo cục bộ tác động lên tín hiệu mà bộ cân bằng tuyến tính không thể xử lý. Ngoài ra, do sử dụng cơ chế chia sẻ trọng số và gộp (pooling), CNN có thể sử dụng mô hình cấu trúc đơn giản và sử dụng ít tham số hơn trong quá trình học sâu. Tạo điều kiện cho CNN có thể được ứng dụng trong thực tế trên các nền tảng phần cứng tốc độ cao với tài nguyên hạn chế.