[논문 리뷰] Exceeding the Nonlinear Shannon-Limit in Coherent Optical Communications using 3D Adaptive Machine Learning

Elias Giacoumidis, Jinlong Wei외 2명|arXiv (Cornell University)|2018. 02. 26.

Optical Network Technologies참고 문헌 48인용 수 5

한 줄 요약

이 논문은 공진성 광통신에서 비선형 샤논 한계를 극복하기 위해 삼차원 적응형 딥 뉴럴 네트워크를 제안한다. 이 방법은 결정론적 킬러 비선형성과 확률적 파라미터 노이즈 증폭을 동시에 보완함으로써, 40 Gbit/sec에서 기록적인 전송 성능을 달성하며, 기존의 2차원 학습 및 전통적인 비선형 등화기보다 뛰어난 스펙트럼 효율성과 낮은 복잡도를 제공한다.

ABSTRACT

The nonlinear Shannon capacity limit has been identified as the fundamental barrier to the maximum rate of transmitted information in optical communications. In long-haul high-bandwidth optical networks, this limit is mainly attributed to deterministic Kerr-induced fiber nonlinearities and from the interaction of amplified spontaneous emission noise from cascaded optical amplifiers with fiber nonlinearity: the stochastic parametric noise amplification. Unlike earlier impractical approaches that compensate solely deterministic nonlinearities, here we demonstrate a novel electronic-based adaptive three-dimensional (3D) deep neural network that tackles the interplay of deterministic and stochastic nonlinearity manifestation in coherent optical signals. Our demonstration shows that 3D deep learning can compensate nonlinear inter-carrier crosstalk effects even in the presence of frequency stochastic variations, which has hitherto been considered impossible. Our solution significantly outperforms conventional 2D machine learning and gold-standard nonlinear equalizers without sacrificing computational complexity, leading to record-breaking transmission performance for up to 40 Gbit/sec high-spectral-efficient optical signals.

연구 동기 및 목표

• 장거리 고대역폭 광섬유 네트워크에서의 근본적인 비선형 샤논 용량 한계를 해결하기 위해.
• 연속된 증폭기에서 발생하는 결정론적 킬러 비선형성과 확률적 파라미터 노이즈 증폭의 병합된 과제를 극복하기 위해.
• 주파수-확률적 변동 조건 하에서 비선형 캐리어 간 간섭을 보완하는 전자 기반 적응형 솔루션을 개발하기 위해.
• 기존의 비선형 등화기로는 달성할 수 없는 스펙트럼 효율성 향상과 전송 성능 향상을 위해.

제안 방법

• 이 방법은 시간, 주파수, 신호 공간 차원을 모두 고려하여 복잡한 비선형 상호작용을 모델링하기 위해 삼차원(3D) 딥 뉴럴 네트워크를 활용한다.
• 3D 네트워크는 적응형이므로, 공진성 광신호에서 결정론적 비선형성과 확률적 노이즈 영향을 실시간으로 보완할 수 있다.
• 이 아키텍처는 주파수 변동이 확률적일 경우에도 섬유 비선형성에 의해 발생하는 캐리어 간 간섭을 처리할 수 있도록 설계되었다.
• 모델은 광섬유 채널의 비선형 전달 함수(노이즈 상호작용 포함)를 학습하여 신호 왜곡을 최소화하도록 훈련된다.
• 이전의 방법들이 결정론적 비선형성만을 대상으로 하여 실현 가능성이 떨어졌던 점을 회피한다.
• 계산 복잡도는 실용적인 수준을 유지하여 실세계 구현이 가능하며 성능을 희생시키지 않는다.

실험 결과

연구 질문

• RQ1 삼차원 딥 러닝 프레임워크는 광섬유 링크에서 결정론적 비선형성과 확률적 비선형성의 상호작용을 효과적으로 보완할 수 있는가?
• RQ2 3D 적응형 신경망은 주파수-확률 조건 하에서 기존의 2차원 기계학습보다 비선형 캐리어 간 간섭을 더 잘 완화하는가?
• RQ3 제안된 방법은 고스펙트럼효율 광전송에서 비선형 샤논 용량 한계를 어느 정도 초월할 수 있는가?
• RQ4 3D 딥 러닝 솔루션의 성능는 스펙트럼 효율성과 비트 오류율 측면에서 금표준 비선형 등화기와 비교해 어떻게 되는가?

주요 결과

• 3D 적응형 딥 뉴럴 네트워크는 이전에 해결 불가능하다고 여겨졌던 확률적 주파수 변동 조건 하에서도 비선형 캐리어 간 간섭을 성공적으로 보완한다.
• 제안된 방법은 40 Gbit/sec 고스펙트럼효율 광신호에서 기록적인 전송 성능를 달성한다.
• 3D 딥 러닝 접근법은 비선형 간섭 완화 및 시스템 용량 측면에서 기존의 2차원 기계학습보다 뚜렷이 뛰어나다.
• 성능가 장점은 유지하면서도 낮은 계산 복잡도를 유지를 한다.
• 연속된 광증폭기에서 발생하는 킬러 비선형성과 증폭된 자발적 방사 노이즈의 병합 효과에 대해 뛰어난 내구성을 보여준다.
• 결과는 공진성 광통신에서 전자 기반 적응형 3D 딥 러닝을 통해 비선형 샤논 한계를 초월할 수 있음을 확인한다.