[논문 리뷰] Geometric Constellation Shaping for Fiber Optic Communication Systems via End-to-end Learning

Rasmus T. Jones, Tobias A. Eriksson외 5명|arXiv (Cornell University)|2018. 10. 01.

Optical Network Technologies인용 수 14

한 줄 요약

이 논문은 비선형 간섭(NLIN) 모델을 기반으로 훈련하는 비선형성과 증폭 잡음에 모두 강건한 기하학적 성질을 갖춘 복조 체계를 최적화하기 위해, 미분 가능한 섬유 채널 모델을 갖춘 자동에코더를 사용하는 종단간 미분 가능한 기계학습 프레임워크를 제안한다. 비선형 간섭(NLIN) 모델을 기반으로 훈련함으로써, 증폭 잡음과 섬유 비선형성에 모두 강건한 복조 체계를 동시에 학습하며, 시뮬레이션에서는 최대 0.13 bit/4D의 스펙트럼 효율성 향상을, 실험에서는 최대 0.12 bit/4D의 향상을 달성하여 기존의 IPM 기반 복조 체계와 GN 모델 훈련 복조 체계를 능가한다.

ABSTRACT

In this paper, an unsupervised machine learning method for geometric constellation shaping is investigated. By embedding a differentiable fiber channel model within two neural networks, the learning algorithm is optimizing for a geometric constellation shape. The learned constellations yield improved performance to state-of-the-art geometrically shaped constellations, and include an implicit trade-off between amplification noise and nonlinear effects. Further, the method allows joint optimization of system parameters, such as the optimal launch power, simultaneously with the constellation shape. An experimental demonstration validates the findings. Improved performances are reported, up to 0.13 bit/4D in simulation and experimentally up to 0.12 bit/4D.

연구 동기 및 목표

• 고용량 광통신 시스템에서 증폭 잡음과 섬유 비선형성 간의 상충 관계를 해결하기 위해.
• 복조 체계의 형상과 전송 전력과 같은 시스템 파라미터를 동시에 최적화하는 기계학습 기반 방법을 개발하기 위해.
• 가우시안 백색 잡음과 신호에 의존하는 비선형 손상에 강건한 비지도 학습을 통한 기하학적 복조 체계 학습을 가능하게 하기 위해.
• 학습된 복조 체계를 실험적으로 검증하고 최신 기술 수준의 형상 복조 체계와의 성능을 평가하기 위해.
• 학습된 복조 체계의 실세계 구현에 영향을 미치는 모델 정확도와 디지털 신호 처리(DSP) 과제의 영향을 조사하기 위해.

제안 방법

• 재구성 오차를 최소화하기 위해 종단간 훈련되는, 미분 가능한 인코더와 디코더로 구성된 자동에코더 아키텍처를 사용한다.
• 자동에코더 내부에 내장된 채널 모델은 미분 가능하며, 증폭된 자발 방출(ASE) 잡음과 비선형 간섭(NLIN) 효과를 모두 포함한다.
• NLIN 모델은 전송된 복조 체계의 고차 모멘트에 따라 비선형 왜곡이 달라지는 것을 기록한다.
• 인코더는 ASE와 NLIN의 병합된 영향을 최소화하는 기하학적 복조 체계 형상을 학습하며, 잡음에 대한 내성과 비선형성 완화 사이의 트레이드오���을 암묵적으로 최적화한다.
• 전송 전력과 같은 시스템 파라미터는 미분 가능한 채널 모델을 통해 역전파함으로써 훈련 도중 함께 최적화된다.
• 비선형 왜곡 감소를 우선시하기 위해 NLIN 모델을 기반으로 훈련하며, 성능은 가우시안 잡음(GN) 모델 훈련과 기존의 IPM 기반 복조 체계와 비교된다.

실험 결과

연구 질문

• RQ1 종단간 미분 가능한 자동에코더 프레임워크는 증폭 잡음과 섬유 비선형성에 동시에 강건한 기하학적 복조 체계를 학습할 수 있는가?
• RQ2 NLIN 모델 훈련을 통해 학습된 복조 체계는 기존의 IPM 기반 복조 체계와 GN 모델 훈련 복조 체계에 비해 어떤 스펙트럼 효율성 향상을 달성할 수 있는가?
• RQ3 복조 체계 형상과 전송 전력의 공동 최적화가 비선형 섬유 채널에서의 시스템 성능에 어떤 영향을 미치는가?
• RQ4 모의 채널과 실제 실험 시스템 간의 모델 정확도 차이가 학습된 복조 체계의 성능에 얼마나 큰 영향을 미치는가?
• RQ5 특성 대칭성이 깨진 경우, 비지도 딥러닝을 통해 학습된 복조 체계를 복구하는 데 있어 디지털 신호 처리(DSP) 과제는 무엇인가?

주요 결과

• NLIN 모델 훈련을 통해 학습된 복조 체계는 최신 기술 수준의 IPM 기반 복조 체계에 비해 시뮬레이션에서 최대 0.13 bit/4D의 스펙트럼 효율성 향상을 달성한다.
• 실험적으로 학습된 복조 체계는 기존의 IPM 기반 복조 체계에 비해 최대 0.12 bit/4D의 향상을 달성하며, 실용적 타당성을 입증한다.
• 학습된 복조 체계는 높은 전송 전력에서 고차 모멘트가 감소함을 보이며, 비선형 손상 완화가 효과적으로 이루어졌음을 시사한다.
• 이 방법은 복조 체계 형상과 전송 전력의 공동 최적화를 가능하게 하여 다양한 전송 조건에서의 강건성을 향상시킨다.
• 실험 결과는 학습된 복조 체계가 IPM 기반 복조 체계와 유사한 성능을 보임을 확인하지만, 모델 정확도와 DSP 과제가 여전히 주요 과제로 남아 있음을 보여준다.
• 기존의 DSP 알고리즘은 비표준 복조 체계를 다루는 데 어려움을 겪으며, 주파수 오프셋과 위상 추정을 위해 피LOT 기반 또는 블라인드 방법이 필요로 한다.