项目六：AI-Tuning of Optical Modules

一句话介绍

使用机器学习和实验数据，自动寻找光模块的更优工作参数，同时满足误码率、功耗、温度和稳定性约束。

背景

光模块把电信号转换成光信号，再传输到另一个设备。实际系统中，激光器偏置、电流、调制幅度、均衡参数、温度和接收端设置会共同影响链路质量。

传统调参通常依靠工程师经验、网格搜索或长时间测试。AI 可以学习参数与结果之间的关系，并用较少的实验次数寻找更优点。但光学调优不是只追求一个分数：一个参数点可能吞吐高，却功耗大、温度敏感或在不同设备上不稳定。

项目问题

建立一个数据驱动的调参系统。输入一组模块状态和候选参数，系统预测结果并建议下一组实验参数。推荐从仿真器或教师提供的历史测试数据开始。

最小版本

• 一个参数表：偏置、调制、均衡、温度等。
• 至少三个输出：误码率或 Q-factor、功耗、吞吐或眼图质量。
• 一个简单基线：网格搜索、随机搜索或人工规则。
• 一个代理模型：随机森林、Gaussian Process 或小型神经网络。
• 一个参数建议器：单目标或多目标优化。

推荐技术路线

1. 先画出参数、测量值和约束之间的关系。
2. 清洗历史数据，并把训练集和测试集按模块或温度分开。
3. 用简单模型预测输出，不要一开始追求复杂深度网络。
4. 使用 Bayesian Optimization 或 Optuna 选择下一组候选参数。
5. 用仿真或离线数据验证推荐是否优于基线。

必须回答的问题

• 哪些参数是可以调的，哪些是硬件固定的？
• 数据中的噪声、温度漂移和设备差异如何处理？
• 约束违反时，系统是否应该拒绝建议？
• 代理模型能否解释为什么推荐某个参数？
• 新模块没有历史数据时，系统如何冷启动？

评测指标

• 找到可行参数点所需的实验次数。
• 误码率、功耗、吞吐和温度裕量。
• 相对于网格搜索的改进幅度。
• 跨设备、跨温度和跨批次的泛化能力。
• 不安全或超出边界的建议比例。

安全边界

学生不得直接把模型连接到真实激光器、电源或通信链路进行自动调参。课程应使用公开数据、教师提供的数据或受限仿真器；真实设备实验必须有固定参数范围和教师现场监督。

进阶方向

• 多目标 Pareto 前沿。
• 主动学习：优先选择最有信息量的实验点。
• 结合温度传感器做在线补偿。
• 用眼图或波形图片进行多模态质量预测。

交付物

一个离线调参或仿真 Demo、数据字典、基线搜索结果、推荐参数与约束检查、Pareto 曲线，以及对三种失败建议的解释。

参考资源

• Optuna：超参数和黑盒优化框架。
• BoTorch：Bayesian Optimization 工具箱。
• RP Photonics Encyclopedia：光学和光通信基础资料。
• scikit-learn：适合教学项目的回归与不确定性基线。

常见误区

不要只展示一张“最优参数”表。真正的工程结果应说明它在什么温度、什么设备、什么约束下有效，以及换一台模块后会不会失效。

> 外部代码、模型、数据集和平台的使用须遵守其对应许可证、服务条款及适用法律；课程不授予第三方资源额外的再分发或商业使用权。