用机器学习提升短距与长距光通信的均衡器性能

Recent Advances on Machine Learning-aided DSP for Short-reach and Long-haul Optical Communications

• 用机器学习算法设计光通信均衡器
• 支持传统与类脑硬件的部署实现
• 适合通信系统优化与硬件加速研究者

本文综述了机器学习在光通信均衡器中的最新应用进展，涵盖算法创新及在传统硬件和类脑硬件上的实现方法。重点讨论了如何利用机器学习提升短距离与长距离光传输系统的信号处理能力，改善误码率与系统容量。通过结合深度学习模型与定制化硬件架构，显著降低了计算开销并提升了实时处理效率。相关技术为未来高速光网络的智能信号处理提供了可行路径。

原文摘要 · Abstract (English)

In this paper, we highlight recent advances in the use of machine learning for implementing equalizers for optical communications. We highlight both algorithmic advances as well as implementation aspects using conventional and neuromorphic hardware.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。