[論文レビュー] Silicon photonic-electronic neural network for fibre nonlinearity compensation

Chaoran Huang, Shinsuke Fujisawa+13 more|arXiv (Cornell University)|Oct 11, 2021

Neural Networks and Reservoir Computing参考文献 54被引用数 283

ひとこと要約

本論文は、10,080 kmの海底光送信システムにおいてリアルタイムでファイバー非線形性を補償する再構成可能でシリコンフォトニック・エレクトロニクスを統合したニューラルネットワークを提示する。CMOS準拠のプラットフォーム上に統合されたマハーズェンダ共振器と可調節フォトニックニューロンを備えたフォトニックニューラルネットワークを実装することで、GPUで実行されるソフトウェアベースのディープラーニングと同等のQファクター向上を達成し、ナノ秒未塔の処理速度と低消費電力による高帯域幅信号処理を実現した。

ABSTRACT

In optical communication systems, fibre nonlinearity is the major obstacle in increasing the transmission capacity. Typically, digital signal processing techniques and hardware are used to deal with optical communication signals, but increasing speed and computational complexity create challenges for such approaches. Highly parallel, ultrafast neural networks using photonic devices have the potential to ease the requirements placed on the digital signal processing circuits by processing the optical signals in the analogue domain. Here we report a silicon photonice-lectronic neural network for solving fibre nonlinearity compensation of submarine optical fibre transmission systems. Our approach uses a photonic neural network based on wavelength-division multiplexing built on a CMOS-compatible silicon photonic platform. We show that the platform can be used to compensate optical fibre nonlinearities and improve the signal quality (Q)-factor in a 10,080 km submarine fibre communication system. The Q-factor improvement is comparable to that of a software-based neural network implemented on a 32-bit graphic processing unit-assisted workstation. Our reconfigurable photonic-electronic integrated neural network promises to address pressing challenges in high-speed intelligent signal processing.

研究の動機と目的

• 長距離・高容量光通信システムにおけるファイバー非線形性による劣化を解決する。
• リアルタイムで高帯域幅の光信号処理を実現するためのデジタル信号処理（DSP）の計算および消費電力の制限を克服する。
• ギガヘルツ帯域で低遅延なアナログリアルタイム推論を実行するフォトニックニューラルネットワーク（PNN）プラットフォームを開発する。
• 重み付け、和集合、非線形活性化関数といったニューラルネットワークの全機能を1枚のシリコンフォトニックチップ上に統合する可能性を実証する。
• 高スペックGPU上で実行されるソフトウェアベースのニューラルネットワークと同等の性能を達成するが、速度およびエネルギー効率の面でハードウェア的利点を有する。

提案手法

• マハーズェンダ共振器（MRR）を可調節フォトニック重みとして用い、線形演算を実現するCMOS準拠のシリコンフォトニックプラットフォームを採用する。
• MRRからのローレンツ型伝達関数に基づく再構成可能活性化関数を有する統合フォトニックニューロンを採用する。
• オンチップフォトダイオード（シリコン上ゲルマニウム）および電子部品（抵抗、コンデンサ）を統合し、フォトニック・エレクトロニクスの完全統合を実現する。
• N型ドーピングされたフォトコンダクティブヒーターを用いてMRRの共鳴波長を調整し、プログラマブルなシナプス重みを実現する。
• 事前に訓練された人工ニューラルネットワーク（ANN）パラメータをフォトニックチップにアップロードして推論を実行するハイブリッドアーキテクチャを採用する。
• 波長分割多重（WDM）を用いて、同じチップ上で複数の信号チャネルを並列処理可能とする。

実験結果

リサーチクエスチョン

• RQ1 完全に統合されたフォトニック・エレクトロニクスニューラルネットワークは、ファイバー非線形性補償のためのリアルタイムで高帯域幅の信号処理を実現できるか？
• RQ2 ハードウェア実装されたフォトニックニューラルネットワークの性能は、GPU上で実行されるソフトウェアベースのディープラーニングモデルと比較して、Qファクター向上の観点でどの程度優れているか？
• RQ3 再構成可能活性化関数を有するフォトニックニューロンは、光ファイバー回線における複雑な非線形歪みをどの程度正確にモデル化できるか？
• RQ4 10,080 kmの海底送信システムにおいて、フォトニックニューラルネットワークは信号整合性を維持し、低遅延を実現できるか？
• RQ5 実世界の信号処理タスクにおいて、ニューロン数およびネットワークの深さの観点から、フォトニックニューラルネットワークのスケーラビリティはどの程度か？

主な発見

• フォトニックニューラルネットワークは、32ビットGPU搭載ワークステーション上で実行されるソフトウェアベースのニューラルネットワークと同等のQファクター向上を、10,080 kmの海底送信システムで達成した。
• 光信号のアナログドメインでのリアルタイム処理が実現され、処理遅延は波導内における光の速度に制限され、ナノ秒未塔の動作を可能にした。
• フォトニックニューロンにローレンツ型伝達関数を採用することで、ファイバー伝送における非線形摂動の正確なモデル化が可能となり、シミュレーションでLeaky ReLUを上回った。
• 第二隠れ層のニューロン数が増加するにつれてQファクター向上が増加したため、ネットワークの容量が増加するにつれて、複雑な非線形歪みをより正確にモデル化できることを確認した。
• ネットワークサイズが拡大しても最小限の追加遅延で高い性能を維持したため、リアルタイムアプリケーションにおけるスケーラビリティを示した。
• 電気的チューニングにより活性化関数およびシナプス重みの再構成が可能であり、異なる信号処理タスクに適応可能なプログラマブル性を有する。