[論文レビュー] Deep Learning for Communication over Dispersive Nonlinear Channels: Performance and Comparison with Classical Digital Signal Processing

Boris Karanov, Gabriele Liga+4 more|arXiv (Cornell University)|Oct 2, 2019

Optical Network Technologies参考文献 31被引用数 17

ひとこと要約

本稿では、分散性・非線形チャネルにおける光通信IM/DD向けに、最適化されたビット-シンボルマッピングおよび重み付き系列推定を用いて性能を向上させたSBRNNベースのオートエンコーダの改良を提案する。線形の計算複雑性を有するため、MLSDと同程度の誤りビットレート（BER）性能を達成できる一方で、MLSDの指数的増加とは異なり、処理コストが著しく増大しない。これにより、高いデータレートまたは長距離伝送が実現可能となる。

ABSTRACT

In this paper, we apply deep learning for communication over dispersive channels with power detection, as encountered in low-cost optical intensity modulation/direct detection (IM/DD) links. We consider an autoencoder based on the recently proposed sliding window bidirectional recurrent neural network (SBRNN) design to realize the transceiver for optical IM/DD communication. We show that its performance can be improved by introducing a weighted sequence estimation scheme at the receiver. Moreover, we perform bit-to-symbol mapping optimization to reduce the bit-error rate (BER) of the system. Furthermore, we carry out a detailed comparison with classical schemes based on pulse-amplitude modulation and maximum likelihood sequence detection (MLSD). Our investigation shows that for a reference 42\\,Gb/s transmission, the SBRNN autoencoder achieves a BER performance comparable to MLSD, when both systems account for the same amount of memory. In contrast to MLSD, the SBRNN performance is achieved without incurring a computational complexity exponentially growing with the processed memory.

研究の動機と目的

• 非線形で分散性のあるチャネル上におけるディープラーニングベースの光通信システムのエンドツーエンド性能を向上させること。
• 従来のSBRNNオートエンコーダのBER性能が不十分である問題を、ビット-シンボルマッピングの最適化と受信機の重み付けにより解決すること。
• 同じメモリ制約下で、SBRNNオートエンコーダの性能と計算複雑性を古典的手法のMLSDベースシステムと比較すること。
• 従来の非線形イコライゼーションと比較して、深層学習が著しく低い複雑性で近似最適性能を達成できることを示すこと。
• 実世界の制約を考慮した実用的な光IM/DDシステムにおいて、エンドツーエンドで学習可能なオートエンコーダの実現可能性を検証すること。

提案手法

• 通信チェーン全体にわたり、送信機と受信機を統合的に学習可能なスライディングウィンドウ型双方向再帰ニューラルネットワーク（SBRNN）オートエンコーダを採用した。
• スライディングウィンドウの出力に学習可能または最適化された重みを割り当てることで、受信機に重み付き系列推定方式を導入し、均一な重み付けよりもBER性能を向上させた。
• ビット-シンボルマッピングの最適化のため、組合せ最適化アルゴリズムであるタブー探索法を用い、任意のマッピングやグレイマッピングと比較してビット誤り率を低減した。
• SBRNNとMLSDの計算複雑性を比較する指標として、1ビットの復調に要する浮動小数点演算回数（FLOPSpdb）を採用した。
• 公平な比較のため、SBRNNと同一のメモリ深さ（μ）を有するPAM変調と最大尤度系列検出（MLSD）を用いたベンチマークシステムを設計した。
• 伝送距離（最大70 km）およびメモリ深さ（η = 12, 60）の範囲でシステム性能を評価し、ハードデシジョンFECのしきい値下でのBERを測定した。

実験結果

リサーチクエスチョン

• RQ1 分散性・非線形光IM/DDチャネルにおいて、SBRNNベースのオートエンコーダは古典的手法のMLSDと同等のBER性能を達成できるか？
• RQ2 組合せ探索によるビット-シンボルマッピングの最適化は、標準的なグレイマッピングと比較してSBRNNオートエンコーダのBER性能を向上させるか？
• RQ3 SBRNN受信機における重み付き系列推定方式は、特に長距離伝送においてBERを低減できるか？
• RQ4 SBRNNオートエンコーダの計算複雑性は、チャネルメモリの増加に伴い、MLSDと比較してどのように変化するか？
• RQ5 最適化されたSBRNNは、MLSDを用いたPAMシステムと比較して、実現可能なシステム伝送距離およびデータレートの向上をどの程度達成できるか？

主な発見

• メモリ深さμ = 6の42 Gb/s伝送において、SBRNNオートエンコーダは同じメモリ深さを有するMLSDと同等のBER性能を達成した。
• 最適化されたビット-シンボルマッピングを用いることで、SBRNNオートエンコーダはη = 60の処理ウィンドウで70 kmまでBERが6.7% HD-FECしきい値未満に低下し、MLSDを用いたPAM4と比較して優れた性能を示した。
• 重み付き系列推定方式により、長距離伝送におけるBERが低減され、最適化マッピング下でη = 12では50 km、η = 60では70 kmの伝送距離が達成可能となった。
• SBRNNの計算複雑性は、メモリ深さに比例して線形に増加する（FLOPSpdb ∝ W）のに対し、MLSDの複雑性は指数関数的に増加する（FLOPSpdb ∝ M^μ+1）ため、SBRNNは高メモリ環境でも実用的である。
• PAM4に比べてスペクトル効率が低いものの、SBRNNオートエンコーダは、より高いノイズ感度を示すPAM4と比較して、伝送距離およびBER性能で優れた性能を示した。
• マッピングと重み付けの最適化手法は、モデルサイズや推論複雑性を増加させることなく、エンドツーエンド性能の向上に有効であることが示された。