[논문 리뷰] Achievable Information Rates for Nonlinear Fiber Communication via End-to-end Autoencoder Learning

Li Shen, Christian Häger외 2명|arXiv (Cornell University)|2018. 04. 20.

Optical Network Technologies참고 문헌 14인용 수 6

한 줄 요약

이 논문은 비선형 섬유광학 통신을 위한 엔드 투 엔드 오토에인코더(AE) 프레임워크를 제안하며, 명시적인 채널 지식 없이도 볼테이저 샤피닝과 채널 사후 확률 추정을 동시에 최적화한다. AE는 최대우도 성능에 가까운 성능을 달성하고 가용 정보율(AIR)에 대한 날카운 가 bounds를 계산하며, 학습된 볼테이저가 비선형 위상 잡음 환경에서 기존의 표준 QAM보다 훨씬 뛰어나며 이론적 용량 한계에 가까워진다는 것을 보여준다.

ABSTRACT

Machine learning is used to compute achievable information rates (AIRs) for a simplified fiber channel. The approach jointly optimizes the input distribution (constellation shaping) and the auxiliary channel distribution to compute AIRs without explicit channel knowledge in an end-to-end fashion.

연구 동기 및 목표

• 비선형 섬유광학 채널에서 명시적인 채널 지식 없이도 가용 정보율(AIR)을 추정하는 기계학습 기반 방법을 개발하는 것.
• 엔드 투 엔드 훈련을 통한 오토에인코더로 입력 볼테이저 샤피닝과 수신기 처리를 동시에 최적화하는 것.
• 비선형 위상 잡음(NLPN) 하에서 학습된 볼테이저의 성능을 평가하고 기존의 M-QAM 포맷과 비교하는 것.
• 오토에인코더의 AIR를 이용해 채널 용량에 대한 날카운 하한을 설정하여 향후 용량 한계를 보완하는 데 기여하는 것.
• 오토에인코더가 진정한 채널 사후 확률 분포를 근사하고 최대우도 검출 성능에 가까운 성능을 달성할 수 있음을 보여주는 것.

제안 방법

• 송신기 신경망(신경망, NN)은 이산 메시지를 복소수 신호 볼테이저로 매핑하며, 원-핫 인코딩과 tanh 또는 시그모이드 활성화 함수를 사용하는 밀집층을 포함한다.
• 송신기 출력은 평균 입력 전력 제약을 충족하도록 정규화되며, 비선형성 파라미터 γ와 증폭된 자발적 방출(ASE) 잡음을 포함하는 비선형 재귀식으로 정의된 간소화된 기억 없는 섬유 채널 모델을 통과한다.
• 수신기 신경망은 노이즈가 섞인 출력을 처리하고, 시그모이드 출력층을 거쳐 정규화하여 총합이 1이 되는 메시지에 대한 확률 분포를 생성한다.
• 오토에인코더는 교차 엔트로피 손실과 확률적 경사 하강법를 사용해 엔드 투 엔드로 훈련되며, 기저 메시지 레이블 기반의 손실 함수를 최소화하여 기호 오류율을 감소시킨다.
• 가용 정보율(AIR)은 KL 발산 부등식을 이용한 몬테카를로 적분을 통해 계산되며, 상호정보량 I(X;Y)에 대한 하한을 제공한다.
• 채널 모델은 분산 없이 간소화된 비선형 슈뢰딩거 방정식을 가정하며, 비선형 위상 잡음(NLPN)을 캡처하고 p(y|x)의 해석적 계산을 가능하게 한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 오토에인코더는 기존의 M-QAM 포맷보다 비선형 위상 잡음(NLPN)에 더 강건한 신호 볼테이저를 학습할 수 있는가?
• RQ2 오토에인코더는 명시적인 채널 지식 없이도 진정한 채널 사후 확률 분포를 어느 정도 근사하고 최대우도(ML) 성능에 가까운 성능을 달성할 수 있는가?
• RQ3 오토에인코더를 통해 확보한 가용 정보율(AIR) 하한은 비선형 섬유 채널에 대한 알려진 이론적 용량 한계와 비교해 얼마나 날카운가?
• RQ4 입력 전력과 NLPN이 증가함에 따라 오토에인코더의 학습된 볼테이저와 수신기 구조는 표준 16-QAM보다 낮은 기호 오류율(SER)을 제공하는가?
• RQ5 오토에인코더를 통해 계산된 AIR는 채널 용량의 상한과 하한을 강화하는 데 의미 있는 기준이 될 수 있는가?

주요 결과

• 오토에인코더는 입력 전력이 증가함에 따라 기호 오류율(SER)이 감소하는 경향을 보이며, 이는 학습된 볼테이저가 표준 16-QAM보다 비선형 위상 잡음에 더 강건하다는 것을 시사한다. 특히 16-QAM은 -2 dBm를 초과하면 성능이 악화된다.
• AE 수신기를 최대우도(ML) 검출기로 대체했을 때 SER 향상 폭이 미미하여, AE가 최적화된 볼테이저와 진정한 사후 확률 분포의 정확한 근사를 동시에 학습하고 있음을 보여준다.
• AE의 결정 영역은 학습된 볼테이저에 대해 최적의 ML 결정 영역과 거의 일치하며, 이는 수신기 네트워크가 올바른 비선형 결정 경계를 성공적으로 학습하고 있음을 확인한다.
• M=16일 경우, AE의 AIR는 log₂(16) = 4 비트/채널 사용당(bpcu)에 도달하여, 주어진 제약 조건 하에서 이론적 최대 속도에 도달했음을 나타낸다.
• M=256일 경우, AE의 AIR는 알려진 두 하한(가우시안 및 반가우시안 입력 분포)의 최대값을 거의 정확히 따라가며, 약 0 dBm 입력 전력에서 이들을 略로 초월하여 거의 용량을 달성하는 성능을 보여준다.
• 결과는 오토에인코더의 AIR가 채널 용량에 대한 날카운 하한을 제공하며, 특히 강한 비선형성이 존재할 경우 기존 상한을 보완하는 데 도움이 될 수 있음을 시사한다.