[논문 리뷰] A Survey on Machine Learning for Optical Communication [Machine Learning View]

Mohammad Ali Amirabadi|arXiv (Cornell University)|2019. 08. 21.

Optical Network Technologies참고 문헌 134인용 수 22

한 줄 요약

이 논문은 기존의 광통신 중심의 연구에서 벗어나 머신러닝(ML) 관점에서 광통신 분야의 머신러닝 응용에 대한 종합적인 서베이를 제시한다. 이는 기존 연구에서 머신러닝 방법론에 초점을 맞추지 못한 빈도를 메우는 것이다. 최신 머신러닝 알고리즘과 그 광통신 문제 해결에의 적용 가능성을 검토하며, 머신러닝 및 광통신 연구자들이 분야 간 격차를 메우고 연구 기회를 식별할 수 있도록 체계적인 개요를 제공한다.

ABSTRACT

Machine Learning (ML) for Optical Communication (OC) is certainly a hot topic emerged recently and will continue to raise interest at least for the next few years. The rate of research development in this area is growing very rapidly. Novelty of this research direction resides mainly in the peculiarity of the application field, rather than in the methodological approaches, which are (at least up to now) state-of-the-art ML algorithms. Reviewing the literature shows that many of the ML algorithms have not yet been used in this area, and many of the OC applications are not considered yet, which reflects the fact that the research topic is pristine. Accordingly, tutorial investigations are quiet necessary in this filed to help researchers be aware about the last progressions and cavities of this field. Although several tutorials have been released recently, they considered this topic from OC view, and neglected ML view. However, it is required to have an investigations about the ML algorithms used in this subject. Accordingly, for the first time, this paper reviews ML for OC literature from ML viewpoint. This view could be really helpful because only OC experts work on ML for OC, and they are not ML experts, so it could really help them to have a comprehensive view on the ML subjects implantable in OC. It has worth to mention that compared with other works, this survey reviews much more investigations; therefore, it has more generality, and gives the reader to have a comprehensive overview on this topic.

연구 동기 및 목표

• 기존 문헌에서 부족한 머신러닝 중심의 시각을 보완하기 위해 광통신 분야의 머신러닝 응용에 대한 종합적이고 ML 중심의 서베이를 제공하는 것.
• 많은 광통신 연구자들이 머신러닝 전문가가 아니므로, 최신 머신러닝 기법을 광시스템에 이해하고 적용할 수 있도록 돕는 것.
• 머신러닝과 광통신의 융합 분야에서 아직 탐색되지 않은 응용 분야와 연구 격차를 식별하여 향후 연구 기회를 부각하는 것.
• 이전 서베이보다 더 넓은 범위의 머신러닝 방법론과 그 광통신 환경에서의 구현을 포함함으로써 더 넓은 일반화 가능성과 더불어 종합적인 개요를 제공하는 것.
• 머신러닝 및 광통신 연구 공동체 간의 방법론적 격차를 메우는 데 기여하는 가이드북 자료로 기능하는 것.

제안 방법

• 2019년 이전에 발표된 논문을 대상으로 머신러닝 응용에 대한 체계적인 문헌 서베이를 수행한다.
• 광통신 내 응용 분야(예: 신호 검출, 채널 추정, 비선형성 완화 등)에 따라 머신러닝 기법을 분류하고 분석한다.
• 감독학습, 비감독학습, 강화학습 등 머신러닝 알고리즘의 방법론적 측면을 강조하며, 광시스템에 적합한지 평가한다.
• 다양한 머신러닝 모델이 광통신 환경에서 성능과 구현 가능성 측면에서 어떻게 평가되는지 분석하고, 각각의 장단점을 비교한다.
• 다양한 광통신 과제에 대해 머신러닝 기법을 비교 분석하여 특정 작업에 가장 효과적인 방법을 도출한다.
• 광통신에 적용 가능한 머신러닝 프레임워크 및 도구의 체계적 개요를 제공하여 연구자들이 적절한 방법을 선택하는 데 도움을 준다.

실험 결과

연구 질문

• RQ1 어떤 머신러닝 알고리즘이 광통신 시스템에 적용되었으며, 성능 및 적용 가능성 측면에서 어떻게 비교되는가?
• RQ2 머신러닝을 광통신 시스템에 통합하는 데 있어 주요 과제는 무엇이며, 기존 방법들은 이를 어떻게 해결하는가?
• RQ3 기존 문헌에서 광공학적 관점이 지배적임에도 불구하고, 왜 광통신 연구에서 머신러닝 중심의 시각이 필요한가?
• RQ4 광통신 분야에서 가장 유망하지만 아직 탐색되지 않은 머신러닝 응용은 무엇인가?
• RQ5 머신러닝 전문지식이 없는 광통신 연구자들이 최신 머신러닝 기법을 효과적으로 채택하고 구현할 수 있는 방법은 무엇인가?

주요 결과

• 논문은 중요한 연구 격차를 규명한다: 많은 머신러닝 알고리즘이 광통신 분야에서 아직 활용되지 않았으며, 이 분야는 여전히 거의 탐색되지 않은 상태이므로 혁신 가능성이 매우 높다.
• 기존의 대부분의 광통신 분야에서의 머신러닝 응용은 새로운 알고리즘 개발보다는 깊이 있는 신경망과 강화학습과 같은 기존 최신 기법에 의존하고 있다.
• 서베이 결과, 머신러닝을 활용한 광통신 응용의 일부분만이 실제로 탐색된 것으로 나타나 향후 연구 기회가 매우 넓다는 점을 시사한다.
• 머신러닝 관점은 종종 광통신 중심의 서베이에서 부족한 체계적이고 일반화 가능한 프레임워크를 제공하며, 이는 머신러닝 기법을 이해하고 적용하는 데 유리하다.
• 저자들은 광통신 전문가들이 전용 머신러닝 관점을 통해 복잡한 머신러닝 방법론의 전반적인 풍경을 이해하고 깊은 머신러닝 전문 지식 없이도 효과적으로 활용할 수 있음을 강조한다.
• 서베이는 종합적이고 머신러닝 중심의 서베이가 이 분야의 진전을 가속화하고 다학제적 협업을 가능하게 하기 위해 필수적임을 결론 내린다.