Giới thiệu đề tài/ Người hướng dẫn/ Người thực hiện

Vấn đề 2: • Vấn đề 2: Các kỹ thuật ML cao cấp để bù méo tín hiệu tuyến tính và phi tuyến cho các hệ thống thông tin quang dung lượng lớn. Nghiên cứu này hướng đến việc phát triển các kỹ thuật ML sử dụng các mạng nơ-ron cùng với các phương pháp phân tích và huấn luyện hiệu quả để dự đoán các hiện tượng tuyến tính và phi tuyến trong hệ thống thông tin quang dung lượng lớn. Mô hình này có thể khái quát hoá và phát triển cho các hệ thống thông tin quang sử dụng các định dạng điều chế và ghép kênh cao cấp, hệ thống băng thông rộng.

Vấn đề 3: Các kỹ thuật xử lý tín hiệu dựa trên ML có tính tổng quát cao cho các hệ thống truyền dẫn thông tin quang thực tế. Một vấn đề khác xuất hiện khi áp dụng các kỹ thuật dựa trên học máy vào cuộc sống thực là “khoảng cách thực tế”, nghĩa là xuất hiện sai lệch giữa những kịch bản được lý tưởng hóa trong lý thuyết và các trường hợp cụ thể ngoài thực thế giới thực. Do đó, đề tài này hướng tới việc phát triển kỹ thuật học máy có khả năng tổng quát cao. Giải pháp đưa ra sẽ là phát triển hệ thống kết hợp với cấu trúc mạng nơ-ron sâu DNN (deep neuron network) cho hệ thống với các trường hợp thiết lập truyền dẫn quang khác nhau (nhiễu, khoảng cách, tốc độ dữ liệu, công suất và loại sợi quang). Hơn nữa, các phương pháp này cần phải có độ phức tạp tương đối thấp và có thể được tích hợp được với các thiết bị DSP tân tiến nhằm mang lại triển vọng trong việc thương mại hoá. Cuối cùng, các mô hình lý thuyết/mô phỏng đã phát triển (trong điều kiện cho phép) sẽ được thử nghiệm trên dữ liệu thực do các đối tác cung cấp từ các dự án đang thực hiện liên quan đến truyền thông quang.

Vấn đề 1: Các kỹ thuật ML hiệu quả để bù méo tín hiệu tuyến tính và phi tuyến cho các hệ thống thông tin quang khoảng cách ngắn-chi phí thấp. Vấn đề này hướng đến việc nghiên cứu và phát triển các giải pháp, kỹ thuật xử lý tín hiệu mới dựa trên việc sử dụng các phương pháp học máy ML (machine learning) để bù méo tín hiệu tuyến tính và phi tuyến từ kênh sợi quang và các bộ thu phát tín hiệu. Ở đây, ML sẽ được sử dụng để ước lượng các tham số của hệ thống từ dữ liệu đo lường, xác định các quy tắc ánh xạ dữ liệu giữa đầu vào và đầu ra, sau đó dựa trên phân bố xác suất để dự đoán đầu ra dựa trên dữ liệu đầu vào. Các phương pháp xử lý kết hợp với ML nhằm có thể tạo ra hiệu quả vượt trội so với các phương pháp “truyền thống”. Ví dụ trong việc kết hợp với các phương pháp Bayesian ML [7], thông qua việc thu thập và quan sát các mẫu tín hiệu để có thể đưa ra ước lượng về mức độ tin cậy nhằm cải thiện suy giảm tín hiệu thu phát do tác động qua lại giữa nhiễu và phi tuyến.

5.1. Phát triển một mô hình truyền số đầu cuối cho các hệ thống thông tin liên lạc quang tốc độ cao bao gồm các mô hình thu phát thực tế, sợi quang và bộ khuếch đại quang

5.2. Phát triển và thử nghiệm các phương pháp học máy ML để bù các suy giảm phi tuyến của bộ thu phát và sợi quang

5.3. Nghiên cứu phát triển các kỹ thuật xử lý tín hiệu dựa trên ML có tính tổng quát cao, có khả năng tích hợp với các kỹ thuật DSP tiên tiến cho các hệ thống truyền dẫn thông tin quang thực tế.