随着人工智能生成内容和虚拟现实等互联网服务的出现，全球容量需求激增，大大加剧了光纤通信系统的压力。为了应对这种激增并降低运营成本，人们正在努力开发具有高效网络运营的自动驾驶光网络 (ADON)。ADON 最重要的任务之一是准确建模和控制光纤链路上的光功率演变 (OPE)，因为它决定了损伤噪声的水平和信号传输质量。在光纤通信系统中，信号的光功率在光纤中演变，并在不同波长上变化，呈现出复杂的物理过程，尤其是对于具有严重克尔非线性和通道间受激拉曼散射的多波段系统。

在多波段 ADON 中，OPE 主要受光纤传播和放大过程的影响。具体而言，建模和控制 OPE 的主要挑战在于光放大器 (OA)。数据驱动方法能够实现高精度。然而，传统的数据驱动方法，尤其是神经网络 (NN)，需要大量数据来构建精确的数字孪生模型，从而导致测量成本高昂。虽然一些方法可以通过迁移学习或集成物理知识等技术最大限度地减少所需的测量，但数据选择的角度却很少受到关注。

最近，来自中国上海交通大学 (SJTU) 的研究人员提出了一种贝叶斯推理框架 (BIF)，用于有效地建模和控制光纤通信系统中的光功率变化。他们的研究成果发表 在 《先进光子学》上。利用贝叶斯理论，BIF 通过性能估计和不确定性分析来选择下一个要测量的频谱/OA 配置。这种方法可以同时利用和探索数据空间以识别最合适的候选者，从而减少所需的数据大小。

研究人员在 C+L 波段光纤传输系统中进行了大量的实验和模拟，对具有异质 OA 的 OPE 进行建模和控制，包括掺铒光纤放大器 (EDFA) 和拉曼放大器 (RA)。与使用随机收集数据的基于 NN 的建模方法相比，提出的 BIF 可以将 EDFA 建模所需的数据减少 80% 以上，将 RA 建模所需的数据减少 60% 以上。在控制方面，对信号光谱和泵浦配置进行了迭代调整，在不到 30 次迭代内实现了任意目标增益/功率谱。

这项工作提供了一种按顺序选择测量数据的有效方法。可以立即学习测量数据以指导下一轮数据收集和优化，从而实现 OPE 的数据高效建模和控制。此外，所提框架的概率分析显示出在网络运营可靠性分析中的潜力，这对 ADON 至关重要。

据通讯作者、上海交通大学诸葛群璧教授介绍，“所提出的框架可以成为未来光网络中实现数据驱动的ADON的一条有前途的技术路径。”