通过联合分布学习，提升光纤通信的传输效率。

Neural Probabilistic Shaping: Joint Distribution Learning for Optical Fiber Communications

• 采用自回归方法联合学习符号分布。
• 相比优化边缘分布，信息率提升0.3比特/2D。
• 适合高阶调制的光纤通信系统研究者。

我们提出一种自回归端到端学习方法，用于非线性光纤信道的概率整形。该方案联合学习符号的联合分布，在单跨距205公里链路上传输双偏振64-QAM时，相比优化的边缘分布，实现0.3比特/2D的可达信息率增益。

原文摘要 · Abstract (English)

We present an autoregressive end-to-end learning approach for probabilistic shaping on nonlinear fiber channels. Our proposed scheme learns the joint symbol distribution and provides a 0.3-bits/2D achievable information rate gain over an optimized marginal distribution for dual-polarized 64-QAM transmission over a single-span 205 km link.

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。