[논문 리뷰] End-to-End Learning of Geometrical Shaping Maximizing Generalized Mutual Information

Kadir Gümüş, Alex Alvarado외 3명|arXiv (Cornell University)|2019. 12. 11.

Sparse and Compressive Sensing Techniques참고 문헌 18인용 수 10

한 줄 요약

이 논문은 광통신에서 기하학적 성형을 위한 직접 기울기 기반 최적화를 제안하며, 목적 함수로 일반화된 상호정보량(GMI)을 사용한다. 그레이 레이블링이 적용된 APSK constellations로 초기화하고, 신경망을 거치지 않고 직접 constellations 점에 기울기 하강법를 적용함으로써 최신 기술 수준의 성능을 달성하였으며, 2D 및 4D 형식에서 QAM 대비 최대 26%의 전송 거리 향상을 이룬다.

ABSTRACT

GMI-based end-to-end learning is shown to be highly nonconvex. We apply gradient descent initialized with Gray-labeled APSK constellations directly to the constellation coordinates. State-of-the-art constellations in 2D and 4D are found providing reach increases up to 26\% w.r.t. to QAM.

연구 동기 및 목표

• 기하학적 성형에서 GMI 기반 엔드 투 엔드 학습의 비볼록성 문제를 해결하여 일반적으로 국소 최적해에 수렴하는 문제를 해결한다.
• 불필요한 신경망 복잡성 제거를 통해 constellations 최적화의 효율성과 확장성을 향상시킨다.
• 구조화된 constellations로 초기화한 직접 constellations 좌표 최적화가 이전 방법보다 뛰어난 성능을 낼 수 있음을 입증한다.
• 유전 알고리즘 또는 쌍별 최적화와 같은 계산 비용이 큰 알고리즘의 빠르고 확장 가능하며 효과적인 대안을 제공한다.
• 특히 고차원 constellations인 1024점 2D 형식에서 GMI 최적화된 constellations의 새로운 기준을 설정한다.

제안 방법

• 수신기 네트워크에 은닉층이 없는 상태에서, constellations 점의 좌표를 직접 최적화하며 학습 가능한 파rameter로 간주한다.
• 일반화된 상호정보량(GMI)을 목적 함수로 사용하며, 무작위 근사화를 피하기 위해 가우스-에르미트 적분을 적용한다.
• 구조화되고 효과적인 최적화의 시작점이 되는 그레이 레이블링이 적용된 진폭위상이동키움(APSK) constellations로 초기화한다.
• 고정된 학습률과 고정된 반복 횟수(예: M=1024일 경우 1000회)로 기울기 하강법를 적용하며, 알려진 AWGN 채널 모델 덕분에 수신기 네트워크가 필요 없다.
• 은닉층을 제거함으로써 전체 오토에코더를 사용하지 않아 파rameter와 계산 시간을 줄이고도 높은 성능을 유지한다.
• 2D(M=1024, 256) 및 4D(M=64) constellations에서 검증하였으며, QAM, 이전의 GMI 최적화 형식, 편광 레인지 스위칭 설계와의 비교를 수행하였다.

실험 결과

연구 질문

• RQ1 GMI 최적화 기하학적 성형에서, constellations 좌표에 직접 기울기 하강법를 적용하는 것이 신경망 기반 오토에코더보다 우월한가?
• RQ2 초기화 방법의 선택(예: APSK 대비 QAM)이 비볼록 GMI 최적화에서 수렴성과 성능에 미치는 영향은 어떠한가?
• RQ3 GMI 최적화된 constellations는 스펙트럼 효율성과 전송 거리 측면에서 표준 QAM 대비 어떤 성능 향상을 보이는가?
• RQ4 기존 문헌과 비교해 볼 때, 제안된 방법은 고차원 constellations(예: 1024점 2D)에 대해 어떻게 확장 가능한가?
• RQ5 은닉층이 없는 최소한의 아키텍처가 빠른 수렴 속도를 유지하면서도 기하학적 성형에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• GMI 기반 최적화의 경로는 매우 비볼록적이며, 이로 인해 표준 무작위 최적화 방법은 열악한 국소 최적해에 수렴하기 쉬운 경향이 있다.
• 그레이 레이블링이 적용된 APSK constellations로 초기화하면 최적화의 신뢰성과 성능이 크게 향상되며, 무작위 또는 QAM 기반 초기화보다 뛰어나다.
• 2D(M=256), 2D(M=1024), 4D(M=64) 형식에서 각각 이전 연구 대비 0.14 dB, 0.12 dB, 0.13 dB의 GMI 향상을 달성하였다.
• 기존 QAM 대비 최적화된 constellations는 최대 1 dB의 SNR 향상을 보이며, 이는 45 GBaud, 11채널, 80 km 스팬의 광링크에서 최대 26%의 전송 거리 증가로 이어진다.
• M=1024인 2D에서 약 15분 내로 수렴하며, 이는 이전 방법이 수시간이 소요되어 고차원 constellations에 대해 실현 가능하지 않은 것과 대비된다.
• 이 방법은 대규모 constellations에 대해 확장 가능하고 효과적이며, 이전 문헌에서 보고된 바 없는 GMI 최적화된 1024점 2D constellations를 제공한다.