[論文レビュー] Nonlinear Interference Mitigation via Deep Neural Networks

Christian Häger, Henry D. Pfister|arXiv (Cornell University)|Oct 17, 2017

Optical Network Technologies被引用数 4

ひとこと要約

本稿では、分離ステップフーリエ法（SSFM）をアンロールして非線形干渉を低減する、深層ニューラルネットワーク（DNN）ベースの手法である学習済みデジタルバックプロパゲーション（LDBP）を提案する。DNNをSSFMの反復的アーキテクチャに合わせて構造化することで、LDBPは従来のデジタルバックプロパゲーション（DBP）と同等の性能を達成しながら、最大50％の計算複雑度低減を実現し、32×100 kmのファイバー・リンクにおいて高いQファクターを維持しながら計算負荷を軽減する。

ABSTRACT

A neural-network-based approach is presented to efficiently implement digital backpropagation (DBP). For a 32x100 km fiber-optic link, the resulting "learned" DBP significantly reduces the complexity compared to conventional DBP implementations.

研究の動機と目的

• 高速ファイバー光システムにおけるデジタルバックプロパゲーション（DBP）の計算複雑度を低減すること。
• 従来のDBPによる非線形シュレーディンガー方程式（NLSE）の数値的解法における高い計算負荷に対処すること。
• 物理的信号処理アルゴリズムから導出された構造的アーキテクチャを有する深層ニューラルネットワーク（DNNs）を活用すること。
• 解析的モデルを超えて現実世界の不具合に適応可能な効率的で学習可能な非線形イコライゼーションを可能にすること。
• 反復的物理アルゴリズムに従って構築されたDNNが、標準的な「ブラックボックス」DNNよりも優れた性能を示すか、または同等の性能を達成しながら少ない計算ステップ数で実現できるかを実証すること。

提案手法

• DNNアーキテクチャは、分離ステップフーリエ法（SSFM）をアンロールすることで構築され、各SSFMステップがネットワークのレイヤーに対応する。
• 各レイヤーは、DFT、伝搬、逆DFTによる線形演算の後に、非線形位相シフト（|u|²u）を適用し、NLSEの解法を模倣する。
• 実時間で生成された物理的システムモデルからのトレーニングデータを用いて、エンドツーエンドのバックプロパゲーションでネットワークをトレーニングする。
• DNNの重みとバイアスは、SSFMパラメータに基づいて初期化され、物理的に意味のある初期状態を保証する。
• 1、2、3ステップ/スパン構成に対応して、それぞれ時間領域フィルタの記憶長K=12、8、6を用いる。
• 最適化はGPU上で確率的勾配降下法を用い、リアルタイムで生成されたトレーニングデータを用いる。

実験結果

リサーチクエスチョン

• RQ1 SSFMに従って構築されたDNNは、従来のDBPと同等の性能を達成しながら複雑度を低減できるか？
• RQ2 SSFMの関数的形を継承するDNNベースのアプローチは、非線形ファイバーイコライゼーションにおいて、標準的な「ブラックボックス」DNNを上回る性能を示すか？
• RQ3 DNNの学習可能なパラメータは、DBP性能を低下させるスペクトルフィルタリング損失を補償できるか？
• RQ4 DNNアーキテクチャにおけるSSFMステップ数を減らした場合、性能と複雑度のトレードオフはどのように変化するか？
• RQ5 標準DBPがより高いサンプリングレートや広帯域受信機を必要とする非線形領域において、DNNは一般化可能か？

主な発見

• 1ステップ/スパンのLDBPはQファクター16.8 dBを達成し、2ステップ/スパンのDBPと同等の性能を示し、50％の複雑度低減を実現した。
• 3ステップ/スパンのLDBPは、非線形領域において50ステップ/スパンのDBPをわずかに上回る性能を示したが、複雑度ははるかに低い。
• ステップ数を増やすにつれてLDBPとDBPの性能差は縮小し、ある点を過ぎると利得が減少する傾向を示した。
• サンプリング前のスペクトルフィルタリングによりDBPは信号成分の欠落により精度を失うが、LDBPはこの損失を部分的に補償できた。
• 短いフィルタ記憶長（K=6）を用いた時間領域実装は実用的であり、計算コストの高いフーリエ変換を回避できた。
• DNNの性能は現実世界の不具合に対して頑健であり、今後の研究で実験データへの適応が可能である可能性を示唆している。