[論文レビュー] ML-Enhanced Digital Backpropagation for Long-Reach Single-Span Systems

Dario Cellini, Stella Civelli+1 more|arXiv (Cornell University)|Jan 27, 2026

Optical Network Technologies被引用数 0

ひとこと要約

論文は、FFTベースの逆伝搬フレームワーク内で分散ステップ長と非線形位相回転フィルタを jointly 最適化する学習済み ESSFM（L-ESSFM）を導入し、長尺単一 span の WDM リンクで高い精度を低い複雑さで達成します。

ABSTRACT

We propose a digital backpropagation method that employs machine-learning-aided joint optimization of dispersion step lengths and nonlinear phase rotation filters within an FFT-based enhanced split-step Fourier structure, achieving improved accuracy at low computational complexity.

研究の動機と目的

• コヒーレント光学システムにおける従来のデジタルバックプロパゲーション（DBP）の高い計算複雑性を動機づけ、対処する。
• すべてのステップパラメータを同時に最適化する機械学習支援型 ESSFM（L-ESSFM）を提案する。
• チャネルメモリの有利なスケーリングを維持するために FFT ベースの実装を維持する。
• 170 km の unrepeatered spans を持つ 5×93 GBd の WDM システムでの性能を評価する。
• 既存の DBP および線形/非線形補償法と比較して改善されたトレードオフを示す。

提案手法

• SSFM を各レイヤがバックプロパゲーションのステップに対応する深層前向きニューラルネットワークとして表現する。
• 各ステップ（NLPR）について GVD ステップ長 L_i と非線形位相回転フィルタ係数 c_i を対称インパルス応答内で学習する。
• 線形・非線形のステップを FFT/IFFT とオーバーラップ＆セーブを用いて周波数領域で実装する。
• ガウシアンシンボルのブロックと受信サンプルを入力、送信シンボルをターゲットとして教師あり学習でネットワークを訓練する。
• 同等のリアルタイム複雑性を CB-ESSFM と同等に維持するため、明示的に指定されない限りステップ間でパラメータを共有する。
• L-ESSFM を OSSFM、ESSFM、LDBP、EDC と比較し、実際の乗算回数 per symbol に対する性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ML 支援のステップ長とNLPRフィルタの共同最適化は、計算負荷を増やすことなく DBP の精度を向上させられるか。
• RQ2 L-ESSFM は ESFFM、LDBP、従来の EDC と比較して現実的な高シンボルレート WDM シナリオでどのように異なるか。
• RQ3 5×93 GBd のチャネルを持つ長距離単一 span 光リンク（170 km）における性能–複雑性のトレードオフはどうなるか。

主な発見

• L-ESSFM は試験対象の構成のほとんどで ESSFM を上回るが、N_s=1 の極端なケースまたは N_s→∞ の極端なケースでは収束する。
• n=1.125 サンプル/シンボルの場合、L-ESSFM は N_s=4 で 172 RM/2D におけるEDCより約 0.8 dB の SNR 増分を達成。
• L-ESSFM は 実験設定（172 RM/2D 対 761 RM/2D）で同等の利得を得るのに ESSFM の約 4 倍の複雑性を要する。
• LDBP は同様の利得を提供するが 2000 RM/2D 以上であり、高シンボルレートではスケーリングが不利。
• 提案する L-ESSFM は 5×93 GBd、170 km リンクに関して検討した手法の中で最良の性能–複雑性トレードオフを示す。