[논문 리뷰] Nonlinear Interference Mitigation via Deep Neural Networks

Christian Häger, Henry D. Pfister|arXiv (Cornell University)|2017. 10. 17.

Optical Network Technologies인용 수 4

한 줄 요약

이 논문은 고속 파이버 옵틱 시스템에서 비선형 간섭을 완화하기 위해 분할 스텝 푸리에 방법(SSFM)을 언롤링한 딥 뉴럴 네트워크(DNN) 기반 접근법인 학습된 디지털 백프로파게이션(LDBP)을 제안한다. DNN 아키텍처를 SSFM의 반복적 아키텍처와 동일하게 구성함으로써, LDBP는 병행되는 디지털 백프로파게이션(DBP)과 유사한 성능를 달성하면서도 최대 50% 낮은 복잡도를 확보하여 계산 부하를 감소시키면서도 32×100 km 파이버 링크에서 높은 Q-factor를 유지한다.

ABSTRACT

A neural-network-based approach is presented to efficiently implement digital backpropagation (DBP). For a 32x100 km fiber-optic link, the resulting "learned" DBP significantly reduces the complexity compared to conventional DBP implementations.

연구 동기 및 목표

• 고속 파이버 옵틱 시스템에서 디지털 백프로파게이션(DBP)의 계산 복잡도를 감소시키기 위해.
• 기존 DBP를 통해 비선형 슈뢰딩거 방정식(NLSE)을 수치적으로 풀이할 때 발생하는 높은 계산 부담을 해결하기 위해.
• 물리적 신호 처리 알고리즘에서 유도된 구조적 아키텍처를 가진 딥 뉴럴 네트워크(DNN)를 활용하기 위해.
• 분석 모델을 초월하여 실제 환경의 비만족 요소에 적응 가능한 효율적이고 학습 가능한 비선형 균형 조정을 가능하게 하기 위해.
• 반복적인 물리 알고리즘을 기반으로 한 DNN 아키텍처가 표준 DBP에 비해 더 낮은 계산 단계로 성능을 뛰어넘거나 동등하게 유지할 수 있는지 입증하기 위해.

제안 방법

• DNN 아키텍처는 분할 스텝 푸리에 방법(SSFM)을 언롤링하여 구성되며, 각 SSFM 단계가 네트워크의 한 층이 된다.
• 각 층은 DFT, 전파, 역 DFT를 통한 선형 연산과 비선형 위상 이동(|u|²u)을 적용하여 NLSE 해법을 모방한다.
• 실시간으로 물리 시스템 모델에서 생성된 훈련 데이터를 사용하여 백프로파게이션을 통해 엔드 투 엔드로 훈련된다.
• DNN의 가중치와 편향은 SSFM 파rameter에 기반하여 초기화되어 물리적으로 의미 있는 시작점을 확보한다.
• 1, 2, 3 스텝-퍼-스폰 구성에 대해 각각 시간 도메인 필터링의 메모리 길이 K=12, 8, 6를 사용한다.
• GPU에서 스토하스틱 경량 하강법을 사용하여 최적화를 수행하며, 실시간으로 생성된 훈련 데이터를 활용한다.

실험 결과

연구 질문

• RQ1 SSFM을 기반으로 한 DNN 아키텍처가 전통적인 DBP와 유사한 성능를 달성하면서도 복잡도를 감소시킬 수 있는가?
• RQ2 SSFM의 기능 형태를 계승한 DNN 기반 접근법이 비선형 파이버 균형 조정에서 표준 '블랙박스' DNN보다 우수한 성능를 보일 수 있는가?
• RQ3 DNN 내의 학습 가능한 파rameter가 DBP 성능을 저하시키는 스펙트럼 필터링 손실을 보완할 수 있는가?
• RQ4 DNN 아키텍처에서 SSFM 단계 수를 줄일 경우 성능-복잡도 트레이드오프는 어떻게 되는가?
• RQ5 표준 DBP가 더 높은 샘플링 레이트 또는 더 넓은 수신기 대역폭이 필요한 비선형 영역으로도 DNN이 일반화 가능한가?

주요 결과

• 1 스텝-퍼-스폰을 사용한 LDBP는 Q-factor 16.8 dB를 달성하여 2 스텝-퍼-스폰을 사용한 DBP와 동일한 성능를 보이며, 이는 50%의 복잡도 감소를 의미한다.
• 3 스텝-퍼-스폰을 사용한 LDBP는 낮은 복잡도에도 불구하고 비선형 영역에서 50 스텝-퍼-스폰을 사용한 DBP를 약간 뛰어넘는 성능를 보였다.
• 스텝 수가 많아질수록 LDBP와 DBP 간의 성능 격차가 줄어들며, 일정 수준 이상에서는 수익 감소 현상이 나타남을 시사한다.
• 샘플링 이전의 스펙트럼 필터링은 DBP의 정확도를 저하시키며 신호 성분을 손실하게 되지만, LDBP는 이 손실을 부분적으로 보완한다.
• 짧은 필터 메모리(K=6)를 사용한 시간 도메인 구현은 실현 가능하며 계산 비용이 높은 푸리에 변환을 피할 수 있다.
• DNN의 성능는 실제 환경의 비만족 요소에 대해 강건하여 향후 실험 데이터에 대한 적응 가능성이 있음을 시사한다.