[논문 리뷰] Accurate Closed-Form Real-Time EGN Model Formula Leveraging Machine-Learning over 8500 Thoroughly Randomized Full C-Band Systems

Mahdi Ranjbar Zefreh, F. Forghieri외 2명|arXiv (Cornell University)|2020. 05. 29.

Optical Network Technologies참고 문헌 24인용 수 47

한 줄 요약

이 논문은 8500개의 랜덤 시스템 구성에서 기계학습을 통해 기본 공식을 개선하여, 비선형 간섭(NLI)에 대한 고정밀도 실시간 폐쇄형 모델인 CFM4를 제안한다. 물리적 파rameter와 최적화된 계수를 통합함으로써, 수치적 통합 EGN 모델 및 스플릿-스텝 시뮬레이션과 거의 완벽한 일치를 이룩하였으며, 다양한 시나리오에서 0.2 dB 이내의 SNR 오차를 달성하였다.

ABSTRACT

We derived an approximate non-linear interference (NLI) closed-form model (CFM), capable of handling a very broad range of optical WDM system scenarios. We tested the CFM over 8500 randomized C-band WDM systems, of which 6250 were fully-loaded and 2250 were partially loaded. The systems had highly diversified channel formats, symbol rates, fibers, as well as other parameters. We improved the CFM accuracy by augmenting the formula with simple machine-learning factors, optimized by leveraging the system test-set. We further improvedthe CFM by adding a term which models special situations where NLI has high self-coherence. In the end, we obtained a very good match with the results found using the numerically-integrated Enhanced GN-model (or EGN-model). We also checked the CFM accuracy by comparing its predictions with full-C-Band split-step simulations of 300 randomized systems. The combined high accuracy and very fast computation time (milliseconds) of the CFM potentially make it an effective tool for real-time physical-layer-aware optical network management and control.

연구 동기 및 목표

• 분산 기울기와 주파수 의존성 손실 등 복잡한 파rameter를 갖는 다양한 실제 광 WDM 시스템에 대해 정확하고 실시간 동작이 가능한 NLI 모델의 부족을 해결한다.
• NLI 간섭성과 시스템 다양성을 올바르게 반영하지 못하는 기존 폐쇄형 모델(CFM0/CFM1)을 개선한다.
• 실시간 물리계층 인식 네트워크 제어 및 최적화에 적합한 확장성 있고 계산 효율적인 모델을 개발한다.
• 8500개의 랜덤 C밴드 시스템으로 구성된 다량의 데이터셋을 활용해 기계학습 보정 요소를 학습시켜 정확도를 향상시키되, 속도를 희생하지 않는다.

제안 방법

• 비일관성 GN 모델의 개선된 폐쇄형 근사식인 CFM1을 유도하며, 분산 기울기, 주파수 의존성 손실, 비균일 스플랜을 포함한다.
• EGN 모델 기준값과 대비해 최적화된 계수를 확보하기 위해 8500개의 랜덤 C밴드 WDM 시스템으로 구성된 대량 데이터셋을 활용해 기계학습 보정 요소를 학습시킨다.
• 고도로 간섭성(NLI)을 띠는 이질적 시스템을 다루기 위해 간섭성 보정 항목을 도입함으로써 피크 오차 성능을 향상시킨다.
• 채널 롤오프 효과를 모델에 통합하여, 실제 전송 시스템의 스펙트럼 형상화를 고려한 CFM4로 모델을 정교화한다.
• 검증용 테스트 세트에서 랜덤으로 선별한 300개의 시스템에 대해 전체 C밴드 스플릿-스텝 시뮬레이션을 수행하여 최종 모델을 검증한다.
• 통계적 민감도 분석을 통해 기계학습 보정 요소에 포함된 각 물리적 파rameter(예: β2,acc, Φ, symbol rate)의 필요성을 확인한다.

실험 결과

연구 질문

• RQ1 다양하고 현실적인 C밴드 WDM 시스템 구성에 걸쳐 정확하고 실시간 동작이 가능한 폐쇄형 NLI 모델를 개발할 수 있는가?
• RQ2 대량 데이터셋 기반 기계학습이 물리기반 NLI 근사식의 체계적 편향과 분산을 효과적으로 보정할 수 있는가?
• RQ3 NLI 자기간섭성은 모델 오차에 어떤 역할을 하는가? 그리고 이는 폐쇄형 프레임워크 내에서 효과적으로 모델링될 수 있는가?
• RQ4 누적 분산, 변조 형식, 롤오프와 같은 물리적 파arameter는 NLI 추정 정확도에 어느 정도의 영향을 미치는가?
• RQ5 최종 모델(CFM4)은 전체 스플릿-스텝 시뮬레이션과 비교했을 때도 높은 정확도를 유지하는가? 이는 실세계 구현에 대한 신뢰성을 확인하는 데 기여하는가?

주요 결과

• 8500개의 시스템에 대해 EGN 모델 기준값과 비교했을 때, CFM4는 평균 SNR 추정 오차 -0.00 dB, 표준편차 0.04 dB를 기록하였다.
• 피크 SNR 오차는 0.18 dB로 감소하였고, 피크-피크 오차는 0.30 dB로 유지되어 높은 일관성과 신뢰성을 보였다.
• NLI 간섭성 보정 항목 추가로 인해, 고도로 자기간섭성을 띠는 이질적 시스템에서 피크 오차가 크게 감소하였다.
• 민감도 분석 결과, 누적 분산(β2,acc) 또는 형식에 따라 달라지는 계수(Φ)를 제거할 경우 오차 분산이 300% 이상 증가하고 피크 오차는 최대 3배로 증가하였다.
• 300개의 전체 C밴드 스플릿-스텝 시뮬레이션을 대상으로 한 검증에서 모델는 높은 정확도를 유지하여, 전체 수치적 통합과의 일치성을 확인하였다.
• 기계학습 보정 요소는 상호 중복이 없음을 확인하였다: 어떤 성분이라도 제거할 경우 성능 저하가 발생하였으며, 이는 분석적 형태에서 각 항목의 필요성을 확인하는 데 기여하였다.