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

Vương Quang Phước và CS. Tập 134, Số 2A, 2025 134 3 Kết quả và thảo luận Để làm rõ về vai trò và tác động của bộ cân bằng được đề xuất, chúng tôi đánh giá hiệu năng bộ cân bằng CNN theo nhiều kịch bản khảo sát khác nhau. Cụ thể, mức độ hiệu quả của mô hình được thể hiện thông qua tỷ lệ lỗi bit (BER). Các kết quả BER theo SNR trong bài báo này được thu thập thông qua quá trình mô phỏng thống kê và được xác định bằng cách so sánh trực tiếp chuỗi bit đầu ra sau cân bằng với chuỗi bit gốc tại phía phát trên tập dữ liệu kiểm tra: BER = 𝑁error 𝑁total (1) trong đó 𝑁errorlà số bit lỗi và 𝑁totallà tổng số bit được truyền. Nội dung khảo sát gồm: (1) So sánh bộ cân bằng được đề xuất với hai kỹ thuật phổ biến khác (bộ cân bằng tuyến tính FFE và mô hình học nông dựa trên ANN) để đánh giá mức độ cải thiện chất lượng hệ thống (thông qua tỷ lệ lỗi bit BER). Mục tiêu nhằm kiểm tra khả năng thích nghi và hiệu quả của kiến trúc CNN trong bối cảnh tín hiệu bị suy hao bởi nhiều yếu tố thực tế như giới hạn băng thông, tán sắc và méo phi tuyến; (2) Thực hiện đánh giá tác động của số lượng đặc trưng tương ứng với số bộ lọc (𝑁𝐹 ) sử dụng trong lớp tích chập của mạng CNN để tối ưu khả năng giảm BER của hệ thống cân bằng được đề xuất. Số lượng bộ lọc (𝑁𝐹) trong mỗi lớp tích chập là lũy thừa của 2, với 𝑛 ∈ {3, 4, 5, 6, 7, 8}, tương ứng với các giá trị 𝑁𝐹 = [8, 16, 32, 64, 128, 256]; (3) Đánh giá ảnh hưởng của độ sâu kiến trúc mạng CNN, được xác định bởi số lượng lớp tích chập Conv1D, đến hiệu năng cân bằng BER. Các mô hình này có cấu trúc giống như trong các nghiên

cứu trước đó; tuy nhiên, chúng tôi chỉ sử dụng 2 khối tích chập nối tiếp để tránh mất thông tin quá nhiều khi tăng thêm độ sâu cho mô hình. Kiến trúc này được minh hoạ trong Hình 2b với mỗi lớp tích chập sử dụng 𝑁𝐹 = [8, 16, 32, 64, 128] bộ lọc. Các kết quả chi tiết được trình bày dưới đây. 3.1 Vai trò của bộ cân bằng sử dụng 1D-CNN Về cấu hình, tất cả các mô hình đều sử dụng Feed-Forward Equalizer (FFE) với chiều dài 15 tap như một khối xử lý tuyến tính sơ cấp. Sau FFE, các mô hình học máy nhận dữ liệu vào gồm 8 ký tự. Mô hình ANN sử dụng một lớp ẩn gồm 32 nơ-ron, trong khi mô hình CNN sử dụng một lớp tích chập Conv1D với 32 đặc trưng và cấu trúc như được trình bày trong Hình 2 (a). Kết quả so sánh được đánh giá theo tỷ lệ lỗi bit BER nhận được sau khi hệ thống đạt bão hoà và không còn cải thiện, hệ thống được xét dưới nhiều điều kiện nhiễu SNR thay đổi trong khoảng 20-30 dB. Hình 3 minh họa hiệu suất cải thiện BER trong một số điều kiện nhiễu SNR khác nhau giữa ba phương pháp cân bằng: chỉ sử dụng bộ cân bằng truyền thống FFE, mô hình bộ cân bằng sử dụng ANN và mô hình cân bằng đề xuất sử dụng CNN (1D-CNN). Từ đồ thị, nhận thấy trên toàn dải SNR được xét, bộ cân bằng CNN cho hiệu suất cải thiện chất lượng tín hiệu tốt hơn so