[논문 리뷰] Optical Fiber Communication Systems Based on End-to-End Deep Learning

Boris Karanov, Mathieu Chagnon외 4명|arXiv (Cornell University)|2020. 05. 18.

Optical Network Technologies참고 문헌 9인용 수 8

한 줄 요약

이 논문은 비선형성과 분산이 있는 채널에서 심볼 간 간섭을 완화하기 위해 시퀀스 수준 처리를 활용하여 피드포워드 신경망(FFNN)보다 성능이 뛰어난 이중방향 순환 신경망(BRNN) 오토에인코드를 사용한 엔드투엔드 광섬유 통신 시스템의 최초 실험적 구현을 제시한다. BRNN 기반 시스템은 42 Gb/s에서 50 km를 초월해 6.7%의 HD-FEC 한계 거리를 확보하며, 실제 광링크에서 순환 처리의 우수성을 입증한다.

ABSTRACT

We investigate end-to-end optimized optical transmission systems based on feedforward or bidirectional recurrent neural networks (BRNN) and deep learning. In particular, we report the first experimental demonstration of a BRNN auto-encoder, highlighting the performance improvement achieved with recurrent processing for communication over dispersive nonlinear channels.

연구 동기 및 목표

• 강도 변조 직접 검출(IM/DD) 광섬유 링크를 위한 엔드투엔드 딥러닝 기반 광송신수신기의 개발 및 실험적 검증.
• 광섬유의 색산성 및 비선형성으로 인한 심볼 간 간섭(ISI)을 다루는 데에 한계를 보이는 피드포워드 신경망(FFNN)의 문제점을 해결.
• 이중방향 순환 신경망(BRNN)과 슬라이딩 윈도우 시퀀스 추정을 활용한 공동 송신기·수신기 최적화에서의 성능 향상 정도를 조사.
• 모델 학습된 송신수신기가 재학습 없이 실제 실험적 광섬유 링크에 직접 적용되었을 때의 내구성 평가.

제안 방법

• 수치적 광섬유 채널 모델에서 BRNN 기반 오토에인코드를 엔드투엔드로 학습하여 심볼 오류율을 최소화하는 교차 엔트로피 최적화를 통한 최적화.
• 입력 시퀀스를 정방향과 역방향 모두에서 처리하는 이중방향 순환 아키텍처를 사용하여 맥락 인식 신호 표현을 가능하게 하는 송신수신기 설계.
• 모델 학습 시 사용된 동일한 파rameter를 그대로 사용하여 실험 테스트베드에 학습된 BRNN 모델을 직접 구현하고 추가 적응 없이 적용.
• 실시간 데이터 블록 처리를 위해 슬라이딩 윈도우 시퀀스 추정 알고리즘을 적용하여 정방향 및 역방향 은닉 상태를 연결하거나 평균화하여 통합.
• 동일한 학습 및 실험 조건에서 BRNN 오토에인코드와 이전의 FFNN 기반 오토에인코드를 비교.
• 정방향 및 역방향 은닉 상태를 통합하기 위해 병합 함수를 활용: $\text{merge}_{\text{tx/rx}}\left\{ \alpha(\mathbf{W}_{\text{fw}}[\mathbf{x}_t^T, \overrightarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{fw}}); \alpha(\mathbf{W}_{\text{bw}}[\mathbf{x}_t^T, \overleftarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{bw}}) \right\}$.

실험 결과

연구 질문

• RQ1 비선형성과 분산이 있는 채널에서 실험적 광섬유 전송에서 BRNN 기반 오토에인코드가 FFNN 기반 오토에인코드를 능가할 수 있는가?
• RQ2 엔드투엔드 딥러닝 기반 광통신 시스템에서 순환 처리는 시스템의 전송 거리와 심볼 오류율에 얼마나 기여하는가?
• RQ3 모델 기반으로 학습된 송신수신기가 실제 실험 링크에 적용되었을 때, 모델-구현 불일치가 존재할 경우에도 얼마나 내구성이 있는가?
• RQ4 슬라이딩 윈도우 크기가 실세계 전송에서 SBRNN 오토에인코드의 성능에 미치는 영향은 무엇인가?
• RQ5 엔드투엔드로 학습된 신경망은 전통적인 선형 등화 또는 최대우도시퀀스검출 기법보다 IM/DD 시스템에서 성능 향상을 달성할 수 있는가?

주요 결과

• 실험적 전송에서 BRNN 오토에인코드는 42 Gb/s에서 50 km를 초월해 6.7%의 HD-FEC 한계 거리를 확보하여 FFNN 기반 시스템보다 뚜렷이 뛰어난 성능을 보였다.
• SBRNN 오토에인코드의 실험적 BER 성능은 시뮬레이션 결과와 밀도적으로 일치하여 채널 모델에 대한 엔드투엔드 학습의 효과를 확인했다.
• BRNN 시스템은 과거와 미래 심볼의 맥락을 모두 처리할 수 있는 능력 덕분에 FFNN보다 심볼 간 간섭(ISI)을 더 효과적으로 완화했다.
• SBRNN이 FFNN보다 성능 향상을 보인 것은 시간적 시퀀스 전역에서 송신기와 수신기를 공동 최적화할 수 있는 순환 처리 기능 덕분이었다.
• 수치적 모델에서 학습된 송신수신기가 실제 링크에서 거의 최적의 성능을 달성하여, 현장 재학습 없이 사전 학습된 모델을 그대로 구현할 수 있음을 검증했다.
• 이전의 시뮬레이션에서 보듯이 슬라이딩 윈도우 크기 최적화로 추가 성능 향상이 가능하나, 현재 실험 설정에서는 이에 대한 튜닝이 이루어지지 않았다.