[論文レビュー] Spiking Neural Network Equalization on Neuromorphic Hardware for IM/DD Optical Communication

Elias Arnold, Georg Böcherer+5 more|arXiv (Cornell University)|Jun 1, 2022

Advanced Memory and Neural Computing被引用数 4

ひとこと要約

この論文では、強度変調/直接検出（IM/DD）光通信に適した、BrainScaleS-2ニューロモルフィックハードウェアに実装されたスパikingニューラルネットワーク（SNN）イコライザ／デマッパーを提案する。SNNは、ハードウェアペナルティが1 dB未満で、ビット誤り率（BER）が$2 \times 10^{-3}$を達成し、ソフトウェアシミュレーションによる線形最小分散誤差（LMMSE）イコライザを上回り、12%のFECオーバヘッドを伴う200 Gbit/sでの低消費電力光信号検出に向けたアナログニューロモルフィック処理の実現可能性を示している。

ABSTRACT

A spiking neural network (SNN) non-linear equalizer model is implemented on the mixed-signal neuromorphic hardware system BrainScaleS-2 and evaluated for an IM/DD link. The BER 2e-3 is achieved with a hardware penalty less than 1 dB, outperforming numeric linear equalization.

研究の動機と目的

• ニューロモルフィックハードウェアを用いたスパikingニューラルネットワーク（SNN）が、IM/DD光通信システムにおける非線形イコライゼーションに実現可能かどうかを評価すること。
• アナログニューロモルフィックハードウェア上でSNNベースのイコライゼーションが、ソフトウェアシミュレーションされたSNNと同等の性能を達成し、従来の線形イコライザを上回ることを実証すること。
• 混合信号ニューロモルフィックシステム（BrainScaleS-2など）上で、ループ内に学習されたSNNの信頼性と低ハードウェアペナルティを検証し、リアルタイム光信号処理に適した性能を示すこと。
• 特に高帯域幅ADCの必要性を排除することで、光トランシーバーにおける高消費電力デジタル信号処理を代替できる可能性を、ニューロモルフィックハードウェアが有する潜在的利点を明らかにすること。

提案手法

• PAM4信号の統合的イコライゼーションおよびデマッピングを目的とした、40個のリークイントグレート・アンド・ファイア（LIF）ニューロンからなる1層の隠れ層と、4つのリークイントグレート（LI）リードアウトニューロンを有するSNNを設計した。
• 前向き伝搬をBrainScaleS-2ハードウェアで実行し、重み更新をホストコンピュータで計算する、スルーレイヤー（ITL）学習と補間勾配を用いた学習手法を採用した。
• 6ビット設定可能なシナプス重み、アナログ膜電位統合、デジタルスパイク通信を備えた混合信号ニューロモルフィックハードウェアを用い、低消費電力で連続時間処理を実現した。
• シミュレーションで色収差と加法性ガウス白色雑音（AWGN）をモデル化し、Oバンドで4 kmのファイバーを介した200 Gbit/s IM/DD信号を処理した。
• BSS-2システムを用いたハードウェア実験では、入力信号をルート・レイズド・コサイン（RRC）フィルタリングで事前処理し、受信側でフォトダイオードの二乗化を実施した。
• FECの閾値として$2 \times 10^{-3}$を設定し、シミュレーションされたSNN、ソフトウェアによるANN、BSS-2に実装されたハードウェアSNNのBER結果を比較して、ネットワーク性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 ニューロモルフィックハードウェアに実装されたスパキングニューラルネットワーク（SNN）は、IM/DD光リンクにおいてソフトウェアシミュレーションされたSNNと同等のBER性能を達成できるか？
• RQ2 色収差と雑音によって劣化したPAM4信号に対して、ニューロモルフィックSNN処理は、従来の線形イコライゼーション（LMMSE）を上回るBER性能を示すか？
• RQ3 ソフトウェアシミュレーションと比較して、BrainScaleS-2に実装したSNNのハードウェアペナルティはどの程度で、目標BERである$2 \times 10^{-3}$において1 dB未満に抑えられるか？
• RQ4 アナログニューロモルフィックハードウェア上でループ内に学習を実施することで、リアルタイム光トランシーバーに適した信頼性の高い低消費電力信号処理が可能になるか？
• RQ5 SNNベースのイコライゼーションにより、フォトダイオードから直接スパイクを処理することで、光受信機における高消費電力アナログ・デジタル変換（ADC）の必要性を排除できるか？

主な発見

• BrainScaleS-2に実装されたSNNイコライザは、ソフトウェアシミュレーションされたSNNと比較して、ハードウェアペナルティが1 dB未満で、BERが$2 \times 10^{-3}$を達成した。
• ハードウェア実装SNNは、7タップのLMMSE線形イコライザを上回り、信号回復における非線形処理の優位性を示した。
• BSS-2で学習されたSNNは、シミュレーションにおける単一および二重隠れ層のReLUベースの人工ニューラルネットワーク（ANN）と比較して、優れたBER性能を示した。
• BSS-2上での膜電位トレースとスパイク活動から、正しいリードアウトニューロンが選択的に活性化されていることが確認され、信頼性の高い意思決定が行われていることが示された。
• BSS-2で学習された重み行列から、中央タップからの入力重みが支配的であることが明らかになり、これが現在のシンボルを分類する上で重要な役割を果たしていることが示された。
• 1入力サンプルの処理に30 μsを要し、並列処理の可能性を有することで、200 Gbit/sのスループット要件を満たすことが可能である。