[論文レビュー] Exceeding the Nonlinear Shannon-Limit in Coherent Optical Communications using 3D Adaptive Machine Learning

Elias Giacoumidis, Jinlong Wei+2 more|arXiv (Cornell University)|Feb 26, 2018

Optical Network Technologies参考文献 48被引用数 5

ひとこと要約

本論文では、連続アンプからの確定的 Kerr 非線形性と確率的パラメトリックノイズ増幅を統合的に補償することで、coherent 光通信における非線形シャノン限界を克服するための 3D アダプティブ深層ニューラルネットワークを提案する。この手法は、2D 学習や従来の非線形イコライザと比較して、スペクトル効率が優れており、複雑さが低減された 40 Gbit/sec の記録的伝送性能を達成する。

ABSTRACT

The nonlinear Shannon capacity limit has been identified as the fundamental barrier to the maximum rate of transmitted information in optical communications. In long-haul high-bandwidth optical networks, this limit is mainly attributed to deterministic Kerr-induced fiber nonlinearities and from the interaction of amplified spontaneous emission noise from cascaded optical amplifiers with fiber nonlinearity: the stochastic parametric noise amplification. Unlike earlier impractical approaches that compensate solely deterministic nonlinearities, here we demonstrate a novel electronic-based adaptive three-dimensional (3D) deep neural network that tackles the interplay of deterministic and stochastic nonlinearity manifestation in coherent optical signals. Our demonstration shows that 3D deep learning can compensate nonlinear inter-carrier crosstalk effects even in the presence of frequency stochastic variations, which has hitherto been considered impossible. Our solution significantly outperforms conventional 2D machine learning and gold-standard nonlinear equalizers without sacrificing computational complexity, leading to record-breaking transmission performance for up to 40 Gbit/sec high-spectral-efficient optical signals.

研究の動機と目的

• 長距離・高帯域幅光ファイバー網における根本的な非線形シャノン容量限界に対処すること。
• 級連アンプに起因する確定的 Kerr 非線形性と確率的パラメトリックノイズ増幅の複合的課題を克服すること。
• 周波数の確率的変動下でも非線形相互干渉を補償できる電子ベースのアダプティブソリューションを開発すること。
• 従来の非線形イコライザで達成可能な範囲を超えて、スペクトル効率と伝送性能を向上させること。

提案手法

• 本手法は、時間、周波数、信号空間の三次元で信号を処理する三方向（3D）深層ニューラルネットワークを採用し、複雑な非線形相互作用をモデル化する。
• 3D ネットワークはアダプティブであるため、coherent 光信号における確定的非線形性と確率的ノイズ効果の両方をリアルタイムで補償可能である。
• このアーキテクチャは、周波数変動が確率的であっても、ファイバー非線形性に起因する相互干渉を処理できるように設計されている。
• モデルは、ノイズ相互作用を含む光ファイバー伝送路の非線形伝達関数を学習することで、信号歪みを最小化するように訓練される。
• 従来の手法とは異なり、非線形性の確定的要因のみをターゲットにしていた不切実なアプローチを回避する。
• 計算複雑性は実用的水準を維持しており、性能を犠牲にすることなく実世界への展開が可能である。

実験結果

リサーチクエスチョン

• RQ1 3D ディープラーニングフレームワークは、光ファイバー路における確定的および確率的非線形性の相乗作用を効果的に補償できるか？
• RQ2 3D アダプティブニューラルネットワークは、周波数が確率的変動する条件下でも、従来の 2D マシンラーニングを上回って非線形相互干渉を低減できるか？
• RQ3 提案手法は、高スペクトル効率光伝送において、非線形シャノン容量限界をどの程度超えることができるか？
• RQ4 スペクトル効率およびビット誤り率の観点から、3D ディープラーニングソリューションはゴールドスタンダード非線形イコライザと比較してどの程度の性能を発揮するか？

主な発見

• 3D アダプティブ深層ニューラルネットワークは、従来、取り扱いが困難とされてきた確率的周波数変動が存在する状況下でも、非線形相互干渉を効果的に補償できた。
• 提案手法は、40 Gbit/sec の高スペクトル効率光信号伝送において、記録的な伝送性能を達成した。
• 3D ディープラーニングアプローチは、従来の 2D マシンラーニングと比較して、非線形干渉低減およびシステム容量向上の面で顕著に優れた性能を示した。
• このソリューションは、低計算複雑性を維持しながら、ゴールドスタンダード非線形イコライザを性能面で上回った。
• フレームワークは、級連光アンプにおける Kerr 非線形性と増幅自発放射ノイズの複合的影響に対しても、頑健であることが示された。
• 結果から、coherent 光通信における電子ベースのアダプティブ 3D ディープラーニングによって、非線形シャノン限界を超過できることが確認された。