[論文レビュー] Geometric Constellation Shaping for Fiber Optic Communication Systems via End-to-end Learning

Rasmus T. Jones, Tobias A. Eriksson+5 more|arXiv (Cornell University)|Oct 1, 2018

Optical Network Technologies被引用数 14

ひとこと要約

本稿では、非線形干渉（NLIN）モデルを用いてトレーニングすることで、増幅ノイズとファイバー非線形性の両方に耐性を持つ幾何的信号対応形状を最適化する、エンド・ツー・エンドで微分可能な機械学習フレームワークを提案する。自動符号化器に微分可能なファイバー回線モデルを組み込み、非線形干渉（NLIN）モデルをトレーニングに用いることで、増幅ノイズと非線形性の両方に強く、かつ同時に耐性を持つ信号対応形状を共同で学習する。シミュレーションでは最大0.13 bit/4Dのスペクトル効率向上を達成し、実験では0.12 bit/4Dの向上を示し、従来のIPM形状とGNモデルでトレーニングされた信号対応形状を上回る性能を発揮した。

ABSTRACT

In this paper, an unsupervised machine learning method for geometric constellation shaping is investigated. By embedding a differentiable fiber channel model within two neural networks, the learning algorithm is optimizing for a geometric constellation shape. The learned constellations yield improved performance to state-of-the-art geometrically shaped constellations, and include an implicit trade-off between amplification noise and nonlinear effects. Further, the method allows joint optimization of system parameters, such as the optimal launch power, simultaneously with the constellation shape. An experimental demonstration validates the findings. Improved performances are reported, up to 0.13 bit/4D in simulation and experimentally up to 0.12 bit/4D.

研究の動機と目的

• 高容量光通信システムにおける増幅ノイズとファイバー非線形性のトレードオフを解消すること。
• 信号対応形状と送信電力などのシステムパラメータを同時に最適化する機械学習ベースの手法を開発すること。
• 加法性白色ガウスノイズ（AWGN）と信号依存性非線形劣化の両方に耐性を持つ幾何的信号対応形状を、教師なし学習で学習可能とすること。
• 実験的に学習された信号対応形状を検証し、最先端の形状と比較しての性能を評価すること。
• モデルの正確性とデジタル信号処理の課題が、学習された信号対応形状の実世界への展開に与える影響を調査すること。

提案手法

• エンド・ツー・エンドで訓練される、微分可能なエンコーダーとデコーダーからなる自動符号化器アーキテクチャを用いる。
• 自動符号化器内に埋め込まれたチャネルモデルは微分可能であり、増幅自己放射（ASE）ノイズと非線形干渉（NLIN）効果を含む。
• NLINモデルは、送信信号対応形状の高次モーメントに依存する非線形歪みの依存関係を捉えている。
• エンコーダーは、ASEとNLINの影響を組み合わせて最小化する幾何的信号対応形状を学習し、ノイズ耐性と非線形性低減のトレードオフを暗黙的に最適化する。
• 送信電力などのシステムパラメータは、微分可能なチャネルモデルを介して逆誤差伝搬することで、トレーニング中に共同で最適化される。
• NLINモデルでトレーニングすることで非線形歪み低減を優先し、GNモデルでトレーニングした結果や標準的なIPMベースの信号対応形状と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドで微分可能な自動符号化器フレームワークは、増幅ノイズとファイバー非線形性の両方に同時に耐性を持つ幾何的信号対応形状を学習できるか？
• RQ2 NLINモデルでトレーニングされた信号対応形状は、従来のIPM形状とGNモデルでトレーニングされた形状と比較して、どの程度のスペクトル効率向上が達成できるか？
• RQ3 信号対応形状と送信電力の共同最適化は、非線形ファイバー回線環境下でのシステム性能にどのように影響を与えるか？
• RQ4 シミュレートされたチャネルと実際の実験システムとの間のモデルの不一致が、学習された信号対応形状の性能にどの程度悪影響を及えるか？
• RQ5 対称性が破れた場合に、教師なしディープラーニングで学習された信号対応形状を復元する際のデジタル信号処理の課題は何か？

主な発見

• NLINモデルでトレーニングされた信号対応形状は、最先端のIPM形状と比較して、シミュレーションで最大0.13 bit/4Dのスペクトル効率向上を達成した。
• 実験では、従来のIPM形状と比較して最大0.12 bit/4Dのスペクトル効率向上を示し、実用的実装の可能性を裏付けた。
• 高レベルの送信電力下でも、学習された信号対応形状は高次モーメントが低減しており、非線形劣化の効果的低減が示された。
• 信号対応形状と送信電力の共同最適化が可能となり、さまざまな伝送条件においても高い耐性が得られた。
• 実験結果から、学習された信号対応形状はIPMベースの形状と同等の性能を発揮することが確認されたが、モデルの正確性とDSPの課題は依然として大きな障壁であることが分かった。
• 従来のDSPアルゴリズムは非標準的な信号対応形状に対して困難を示し、周波数オフセットと位相推定にはパイロット支援型またはブランク型の手法が必要となる場合がある。