[論文レビュー] Achievable Information Rates for Nonlinear Fiber Communication via End-to-end Autoencoder Learning

Li Shen, Christian Häger+2 more|arXiv (Cornell University)|Apr 20, 2018

Optical Network Technologies参考文献 14被引用数 6

ひとこと要約

本稿では、非線形光ファイバー通信におけるエンドツーエンド自己符号化器（AE）フレームワークを提案し、明示的なチャネル知識なしに、コンステレーション形状とチャネル事後分布推定を同時に最適化する。AEはほぼ最大尤度性能を達成し、達成可能な情報レート（AIR）のタイトな下限を計算する。学習されたコンステレーションが非線形位相雑音環境において従来のQAMよりも著しく優れており、理論的容量限界に近づくことを示している。

ABSTRACT

Machine learning is used to compute achievable information rates (AIRs) for a simplified fiber channel. The approach jointly optimizes the input distribution (constellation shaping) and the auxiliary channel distribution to compute AIRs without explicit channel knowledge in an end-to-end fashion.

研究の動機と目的

• 非線形光ファイバー通信における達成可能な情報レート（AIR）を推定する機械学習ベースの手法を開発すること。ただし、明示的なチャネル知識を必要としない。
• エンドツーエンドの自己符号化器トレーニングにより、入力コンステレーション形状と受信処理を同時に最適化すること。
• 非線形位相雑音（NLPN）下での学習されたコンステレーションの性能を評価し、従来のM-QAMフォーマットと比較すること。
• 自己符号化器のAIRを用いてチャネル容量のタイトな下限を確立すること。これは、将来の容量限界の改善に役立つ。
• 自己符号化器が真のチャネル事後分布を近似でき、明示的なチャネル知識なしにほぼ最大尤度検出性能を達成できることを示すこと。

提案手法

• 送信側ニューラルネットワーク（NN）は、1-of-Kエンコーディングとtanhまたはシグモイド活性化関数を用いた全結合層を用いて、離散的メッセージを複素数値の信号コンステレーションにマッピングする。
• 送信側出力は平均入力パワー制約を満たすように正規化され、非線形パラメータγと増幅自発放射（ASE）雑音を含む非線形再帰を用いた簡略化されたメモリレス光ファイバー伝送モデルを通る。
• 受信側NNはノイズのある出力を処理し、出力層にシグモイド関数を用い、合計が1になるように正規化することで、メッセージ上での確率分布を出力する。
• 自己符号化器は、交差エントロピー損失と確率的勾配降下法を用いてエンドツーエンドでトレーニングされ、符号誤り率を最小化する。損失関数は真のメッセージラベルに基づく。
• 達成可能な情報レート（AIR）は、KLダイバージェンス不等式を用いたモンテカルロ統合により計算され、相互情報量I(X;Y)の下限が得られる。
• チャネルモデルは非線形シュレーディンガー方程式の簡略化された形であり、分散を含まない。非線形位相雑音（NLPN）を捉え、p(y|x)の解析的計算を可能にする。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンド自己符号化器は、従来のM-QAMフォーマットよりも非線形位相雑音（NLPN）に対してより耐性のある信号コンステレーションを学習できるか？
• RQ2 自己符号化器は、明示的なチャネル知識なしに、真のチャネル事後分布をどの程度正確に近似でき、ほぼ最大尤度（ML）性能を達成できるか？
• RQ3 自己符号化器を用いて得られた達成可能な情報レート（AIR）の下限は、非線形ファイバー通信の既知の理論的容量限界と比べてどの程度タイトか？
• RQ4 自己符号化器が学習したコンステレーションと受信構造は、入力パワーとNLPNが増加する条件下で、標準16-QAMよりも低い符号誤り率（SER）を達成するか？
• RQ5 自己符号化器を用いて計算されたAIRは、チャネル容量の上界と下界をタイトにするための意味のあるベンチマークを提供できるか？

主な発見

• 自己符号化器は、入力パワーが増加するにつれて符号誤り率（SER）が低下する。これは、学習されたコンステレーションが標準16-QAMよりも非線形位相雑音に対してより耐性があることを示している。16-QAMは-2 dBmを超えると性能が劣化する。
• AEの受信機をML検出器に置き換えた場合、SERの向上はわずかにしか得られない。これは、AEが最適化されたコンステレーションと真の事後分布の正確な近似を両方学習していることを示している。
• AEの意思決定領域は、学習されたコンステレーションの最適ML意思決定領域とよく一致しており、受信機ネットワークが正しく非線形意思決定境界を学習していることを確認している。
• M=16の場合、AEのAIRはlog₂(16) = 4ビット/チャネル使用（bpcu）にプラトーに達しており、これは与えられた制約下で理論的最大レートに到達していることを示している。
• M=256の場合、AEのAIRは2つの既知の下限（ガウス分布および半ガウス分布入力）の最大値に非常に近づき、約0 dBmの入力パワーでわずかにそれを上回っている。これは、ほぼ容量限界性能に近いことを示唆している。
• 結果から、自己符号化器のAIRはチャネル容量のタイトな下限を提供しており、特に強い非線形性が存在する場合、既存の上界の改善に役立つ可能性がある。