[논문 리뷰] High-Cardinality Hybrid Shaping for 4D Modulation Formats in Optical Communications Optimized via End-to-End Learning

Vinícius Oliari, Boris Karanov외 7명|arXiv (Cornell University)|2021. 12. 20.

Optical Network Technologies인용 수 11

한 줄 요약

이 논문은 분할 스텝 푸리에 방법(SSFM) 광섬유 채널 모델을 사용한 엔드 투 엔드 딥 러닝을 통해 최적화된 4차원 10비트/심볼 변조 포맷을 제안한다. 오토에인코더 기반 접근법은 확률적 및 기하학적 성형을 함께 최적화하며, 20% FEC 오버헤드에서 400 Gbps에서 PM-32QAM 대비 13.6%의 전송 거리 향상을 달성하여 에너지 제약 없이도 비선형 내성과 스펙트럼 효율성이 뛰어난 성능을 보여준다.

ABSTRACT

In this paper we carry out a joint optimization of probabilistic (PS) and geometric shaping (GS) for four-dimensional (4D) modulation formats in long-haul coherent wavelength division multiplexed (WDM) optical fiber communications using an auto-encoder framework. We propose a 4D 10 bits/symbol constellation which we obtained via end-to-end deep learning over the split-step Fourier model of the fiber channel. The constellation achieved 13.6% reach increase at a data rate of approximately 400 Gbits/second in comparison to the ubiquitously employed polarization multiplexed 32-QAM format at a forward error correction overhead of 20%.

연구 동기 및 목표

• 장거리 코herent WDM 시스템을 위한 4차원 광변조 포맷에서 확률적 성형(PS)과 기하학적 성형(GS)의 공동 최적화 문제를 해결한다.
• 간단한 채널 모델이나 일정 에너지 성형도에 의존하는 전통적 PS 및 GS 방법의 한계를 극복한다.
• 비선형 섬유 채널에서 스펙트럼 효율성과 비선형 내성을 향상시키기 위해 10비트/심볼의 고용량 4차원 변조 포맷을 개발한다.
• 일반화된 상호정보량(GMI)과 실제 섬유 전파 모델을 사용하여 학습된 성형도의 성능을 검증한다.
• SSFM 채널 모델 기반 엔드 투 엔드 딥 러닝이 기존 QAM 포맷 대비 우수한 성형 설계를 가능하게 한다는 것을 입증한다.

제안 방법

• 비선형 섬유 채널을 기반으로 엔드 투 엔드로 훈련되는 별도의 신경망을 갖춘 오토에인코더 프레임워크를 사용하여 확률적 성형(PS)과 기하학적 성형(GS)을 동시에 최적화한다.
• 이중 편광 섬유 링크의 정확한 물리 계층 모델로 분할 스텝 푸리에 방법(SSFM)을 사용하여 킴 비선형성과 분산을 포함한 비선형 임파이먼트를 시뮬레이션한다.
• SSFM 내에서 역전파를 통해 4차원 성형도와 심볼 확률을 함께 최적화함으로써 비선형 채널 효과를 직접 학습할 수 있도록 한다.
• 웨이브폼 생성을 위해 루트-상승코사인 필터(0.01 롤오프)를 사용한 펄스 성형을 구현하고 심볼당 16개 샘플로 업샘플링한다.
• 다중 스팬에서 스펙트럼 효율성과 신뢰성을 평가하기 위해 일반화된 상호정보량(GMI)을 성능 지표로 사용한다.
• 비선형 임파이먼트 하에서 상호정보량을 최대화하는 최적의 성형도 점과 심볼 확률을 학습함으로써 비트 오류율을 최소화하도록 오토에인코더를 훈련한다.

실험 결과

연구 질문

• RQ1 정확한 SSFM 기반 섬유 채널 모델을 기반으로 한 엔드 투 엔드 딥 러닝이 4차원 변조 포맷에서 기하학적 성형과 확률적 성형을 공동 최적화할 수 있는가?
• RQ2 오토에인코더를 통해 학습된 4차원 10비트/심볼 성형도는 표준 PM-32QAM 및 PM-64QAM 대비 전송 거리와 스펙트럼 효율성 측면에서 뛰어나게 성능을 발휘하는가?
• RQ3 에너지 제약을 제거했을 때 학습된 성형도의 비선형 섬유 링크에서의 성능에 어떤 영향을 미치는가?
• RQ4 고속 데이터 전송에서 학습된 성형도는 PM-PS64QAM 대비 전송 거리와 FEC 오버헤드 측면에서 어떻게 비교되는가?
• RQ5 최적화된 성형도는 복잡한 이진 레이블링 체계 없이도 기존 QAM 포맷보다 뛰어난 비선형 내성을 확보할 수 있는가?

주요 결과

• 제안된 4차원 10비트/심볼 성형도는 20% FEC 오버헤드에서 400 Gbps에서 PM-32QAM 대비 13.6%의 전송 거리 향상을 기록하여 뛰어난 비선형 내성을 입증했다.
• 4000km(50스팬)에서 최적화된 성형도는 평균 GMI 약 8비트/심볼를 달성하여 스펙트럼 효율성을 7.76비트/초/헤르츠로 산정했다.
• 최적의 전송 전력에서 PM-32QAM 대비 0.3비트/심볼의 성능 향상을 기록했으며, 선형 영역에서도 뛰어난 성능을 보였다.
• 심볼 확률이 균일 분포로 수렴하여 기하학적 성형이 성능 향상의 주요 원인임을 시사했으며, 확률적 성형은 주요 기여 요소가 아니었다.
• 심볼 간 에너지 변화가 넓게 나타나 기존 연구에서 일반적으로 가정하던 일정 에너지 성형도의 가정과 정면으로 배치되었다.
• 6000km에서 최적화된 성형도는 PM-64QAM(44% 오버헤드)와 동일한 넷 레이트를 달성하기 위해 단지 33%의 FEC 오버헤드로 충분했으며, PM-64QAM 대비 520km(8.7%)의 전송 거리 향상을 기록했고, PM-PS64QAM 대비 340km(5.5%)의 향상을 보였다.