[論文レビュー] Deep Learning Waveform Channel Modeling for Wideband Optical Fiber Transmission: Model Comparisons, Challenges and Potential Solutions

Minghui Shi, Hang Yang+7 more|ArXiv.org|Jan 14, 2025

Advanced Photonic Communication Systems被引用数 3

ひとこと要約

この論文は、DSP支援の精度評価の下、5つの DL ベース波形レベル光ファイバチャネルモデルを比較し、中程度の設定では FDD と BiLSTM が最も良好に機能する一方で広帯域のスケーラビリティには課題があることを示し、解決策を提案します。

ABSTRACT

Fast and accurate waveform simulation is critical for understanding fiber channel characteristics, developing digital signal processing (DSP) technologies, optimizing optical network configurations, and advancing the optical fiber transmission system towards wideband. Deep learning (DL) has emerged as a powerful tool for waveform modeling, offering high accuracy and low complexity compared to traditional split-step Fourier method (SSFM), due to its strong nonlinear fitting capabilities and efficient parallel computation. However, most DL methods are designed for few-channel and low-rate WDM systems, leaving their scalability to wideband systems uncertain. Moreover, the lack of a standardized accuracy evaluation method and the inconsistent results between waveform errors and transmission performance errors, hinders fair comparisons of various DL schemes. In this paper, we introduce a DSP-assisted accuracy evaluation method integrated with nonlinear DSP, providing a fair benchmark for evaluating the accuracy of DL models. Using this method, we conduct a comprehensive comparison of DL schemes, ranging from simple configurations to more complex wideband setups. The feature decoupled distributed method combining with bidirectional long short-term memory achieves the better performance compared to other DL schemes. Furthermore, in scenarios with more-channel and higher-rate, the performance advantages of FDD-BiLSTM will be further improved. However, as the number of channels and symbol rates increase, the performance of FDD-BiLSTM still gradually deteriorate. We analyze these challenges from three perspectives: the more intricate linear and nonlinear effects, the higher sampling rate required for SSFM. To address these challenges, we discuss potential solutions from two aspects: incorporating more prior physical knowledge and optimizing the structure of DL models.

研究の動機と目的

• SSFM に対する一貫した DSP 主導の指標で DL ベース波形レベル光ファイバチャネルモデルの精度を評価する。
• 広帯域・多チャネルの WDM シナリオを最もうまく扱う DL アーキテクチャを特定する。
• チャネル数とボーレートが増加するにつれて劣化メカニズムを分析する。
• 広帯域性能を改善するための潜在的なアーキテクチャおよびモデリング戦略を提案する。

提案手法

• DP-16QAM を用いた複数チャネルの SSFM ベースのコヒーレント WDM シミュレーションで学習データを生成する。
• パワー正規化、ISI対応のスライディングウィンドウ、実部・虚部分解を用いて実数入力を必要とするモデルを前処理する。
• DL 手法を全体的 vs 分散型、純データ駆動 vs データ物理ハイブリッド、ニューラルネットワーク系 vs ニューラル演算子系に分類する。
• BiLSTM、CGAN、FNO、DeepONet、FDD、PINO など複数の DL アーキテクチャを訓練し、波形 NMSE と QoT 指標で評価する。
• 一貫したランダムノイズ実現下で波形誤差と QoT（GSNR、BER、Q 因子）を同時に分析する DSP 支援の精度評価法を導入する。
• SL1 ロスとコサインアニーリングを用いた Adam 最適化、1000 エポックおよび 50 GBaud–広帯域のシナリオで評価する。

実験結果

リサーチクエスチョン

• RQ1 DL ベースの波形モデルは、一定の DSP ベース評価において SSFM と比較してマルチチャンネル WDM システムでどの程度の精度を示すか？
• RQ2 広帯域・高チャネル数構成で波形忠実度とQoT精度のバランスを最もよく取る DL アーキテクチャはどれか？
• RQ3 チャネル数と符号レートが増えると性能が低下する原因は何で、モデルはそれをどう緩和できるか？
• RQ4 データ-物理ハイブリッド手法（例：FDD、PINO）は純粋なデータ駆動法より広帯域領域で優れているのか？
• RQ5 線形と非線形の効果を効果的にデカップリングして広帯域モデリングを改善する戦略は何か？

主な発見

• FDD と BiLSTM は5つの DL 手法の中で最も高い精度を達成し、50 GBaud/5 チャネルの設定で NMSE を最大83.1%改善、Q-factor 誤差を最大1.06 dB低減。
• 広帯域・広チャネルスケーリングは大きな劣化を引き起こし、例として 5 から 25 チャネルへ拡張すると NMSE が 92.9%、Q-factor 誤差が 2.02 dB増加する。
• シンボルレートを 50 から 200 GBaud に増加させると NMSE が 89.7% 劣化し、Q-factor 誤差が 1.33 dB上昇する。
• DSP 支援の精度評価法は、広帯域/高非線形領域で波形 NMSE と QoT パフォーマンスの間にずれが生じることを示す。
• 広帯域 WDM における増加する線形性/非線性をよりうまく扱うために、さらなるデカップリング設計と DL モデルの改善が有望である。
• 課題はあるものの、DL ベースの波形モデリングは次世代システムにおける高速かつ正確な光ファイバチャネルシミュレーションの強い潜在性を示している。