[논문 리뷰] ML-Enhanced Digital Backpropagation for Long-Reach Single-Span Systems

Dario Cellini, Stella Civelli외 1명|arXiv (Cornell University)|2026. 01. 27.

Optical Network Technologies인용 수 0

한 줄 요약

논문은 FFT 기반 역전파 프레임워크 내에서 분산 단계 길이와 비선형 위상 회전 필터를 함께 최적화하는 학습된 ESSFM(L-ESSFM)을 소개하여 긴 단일 구간 WDM 링크에서 낮은 복잡도로 더 높은 정확도를 달성한다.

ABSTRACT

We propose a digital backpropagation method that employs machine-learning-aided joint optimization of dispersion step lengths and nonlinear phase rotation filters within an FFT-based enhanced split-step Fourier structure, achieving improved accuracy at low computational complexity.

연구 동기 및 목표

• 코히런트 광 시스템에서 전통적인 디지털 역전파(DBP)의 높은 계산 복잡성을 동기화하고 해결한다.
• 모든 스텝 매개변수를 공동으로 최적화하는 ESSFM의 머신러닝 보조 변형(L-ESSFM)을 제안한다.
• 채널 기억 용량과의 우수한 스케일링을 유지하기 위해 FFT 기반 구현을 유지한다.
• 170 km 재생기 없는 구간에서 5×93 GBd WDM 시스템의 성능을 평가한다.
• 향상된 성능 대 복잡도 균형을 보여주기 위해 기존 DBP 및 선형/비선형 보상 방법과 비교한다.

제안 방법

• SSFM을 각 레이어가 백프로파게이션 스텝에 해당하는 심층 피드포워드 신경망으로 표현한다.
• 각 스텝(NLPR)마다 GVD 스텝 길이 L_i와 비선형 위상 회전 필터 계수 c_i를 대칭 임펄스 응답 내에서 학습한다.
• FFT/IFFT 및 중첩 저장(overlap-and-save)을 사용하여 주파수 영역에서 선형 및 비선형 스텝을 구현한다.
• 가우시안 신호 블록과 수신 샘플을 입력으로, 전송된 기호를 타깃으로 감독학습으로 네트워크를 훈련한다.
• 특정 명시가 없으면 단일 대역을 공유 매개변수로 CB-ESSFM과 동등한 실시간 복잡도를 유지한다.
• 실험에서 L-ESSFM을 OSSFM, ESSFM, LDBP, EDC와 성능 대 실수 연산 수(per symbol) 기준으로 비교한다.

실험 결과

연구 질문

• RQ1 ML 보조 스텝 길이 및 NLPR 필터의 공동 최적화가 DBP의 정확도를 계산 부담 증가 없이 향상시킬 수 있는가?
• RQ2 L-ESSFM이 ESFFM, LDBP 및 기존 EDC와 현실적인 고심볼률 WDM 시나리오에서 어떻게 비교되는가?
• RQ3 5×93 GBd 채널의 170 km 구간에서 긴 도달 거리의 단일 구간 광학 링크의 성능-복잡도 트레이드오프는 어떠한가?

주요 결과

• L-ESSFM은 N_s=1 또는 N_s→∞의 극단적 경우를 제외하고 테스트된 구성에서 ESSFM보다 우수한 성능을 보인다.
• n=1.125 샘플/기호에서 L-ESSFM은 N_s=4일 때 172 RM/2D에서 EDC 대비 약 0.8 dB SNR 이득을 달성한다.
• 테스트된 설정에서 비슷한 이득을 얻기 위해 ESSFM에 비해 L-ESSFM은 대략 4배의 복잡도가 필요하다(172 RM/2D 대 761 RM/2D).
• LDBP는 비슷한 이득을 제공하나 2000 RM/2D 이상이 필요하여 고심볼률에서 확장성 면에서 덜 우수하다.
• 제안된 L-ESSFM은 5×93 GBd, 170 km 링크에서 연구된 방법들 가운데 최고의 성능-복잡도 트레이드오프를 달성한다.