[논문 리뷰] Silicon photonic-electronic neural network for fibre nonlinearity compensation

Chaoran Huang, Shinsuke Fujisawa외 13명|arXiv (Cornell University)|2021. 10. 11.

Neural Networks and Reservoir Computing참고 문헌 54인용 수 283

한 줄 요약

이 논문은 10,080 km의 해저 광학 전송 시스템에서 실시간 섬유 비선형성 보정을 수행하는 재구성 가능한 실리콘 포토닉-전자 신경망을 제시한다. CMOS 호환 플랫폼에 통합된 막스-젠더 공명기와 조절 가능한 포토닉 뉴런을 구현한 포토닉 신경망을 통해, 시스템은 고성능 GPU 기반 소프트웨어 딥러닝 수준의 Q-팩터 향상을 달성하였으며, 초단순 처리 속도와 저전력 소비를 통해 고대역폭 신호 처리에 적합함을 입증하였다.

ABSTRACT

In optical communication systems, fibre nonlinearity is the major obstacle in increasing the transmission capacity. Typically, digital signal processing techniques and hardware are used to deal with optical communication signals, but increasing speed and computational complexity create challenges for such approaches. Highly parallel, ultrafast neural networks using photonic devices have the potential to ease the requirements placed on the digital signal processing circuits by processing the optical signals in the analogue domain. Here we report a silicon photonice-lectronic neural network for solving fibre nonlinearity compensation of submarine optical fibre transmission systems. Our approach uses a photonic neural network based on wavelength-division multiplexing built on a CMOS-compatible silicon photonic platform. We show that the platform can be used to compensate optical fibre nonlinearities and improve the signal quality (Q)-factor in a 10,080 km submarine fibre communication system. The Q-factor improvement is comparable to that of a software-based neural network implemented on a 32-bit graphic processing unit-assisted workstation. Our reconfigurable photonic-electronic integrated neural network promises to address pressing challenges in high-speed intelligent signal processing.

연구 동기 및 목표

• 장거리 고용량 광통신 시스템에서의 섬유 비선형성 잡음 문제를 해결한다.
• 실시간 고대역폭 광신호 처리를 위한 디지털 신호 처리(DSP)의 계산 및 전력 제약을 극복한다.
• 기가헤르츠 대역폭과 저지연을 갖춘 아날로그 실시간 추론을 수행하는 포토닉 신경망(PNN) 플랫폼을 개발한다.
• 일체형 실리콘 포토닉 칩에 전체 신경망 기능인 가중치 조정, 합산, 비선형 활성화를 통합하는 것을 입증한다.
• 고성능 GPU에서 실행되는 소프트웨어 기반 신경망과 동등한 성능을 달성하면서도, 속도와 에너지 효율성 측면에서 하드웨어적 이점을 확보한다.

제안 방법

• Mach-Zehnder 공명기(MRR)를 사용하여 선형 연산을 위한 조절 가능한 포토닉 가중치를 제공하는 CMOS 호환 실리콘 포토닉 플랫폼을 활용한다.
• MRR에서 유도된 로렌츠형 전달 함수를 기반으로 재구성 가능한 활성화 함수를 갖춘 통합 포토닉 뉴런을 활용한다.
• 온칩 포토다이오드(지니움-실리콘 기반)와 전자 부품(저항기, 커패시터)을 통합하여 완전한 포토닉-전자 통합을 구현한다.
• N doping을 적용한 광전도성 히터를 사용하여 MRR의 공명 파장 조절을 통해 프ogrammable 합성 시냅스 가중치를 구현한다.
• 사전 훈련된 인공신경망(ANN) 매개변수를 포토닉 칩에 업로드하여 추론을 수행하는 하이브리드 아키텍처를 채택한다.
• 동일한 칩에서 다중 신호 채널의 병렬 처리를 가능하게 하기 위해 파장 분할 Multiplexing(WDM)을 활용한다.

실험 결과

연구 질문

• RQ1 완전 통합된 포토닉-전자 신경망이 섬유 비선형성 보정을 위한 실시간 고대역폭 신호 처리를 수행할 수 있는가?
• RQ2 하드웨어로 구현된 포토닉 신경망의 성능은 고성능 GPU에서 실행되는 소프트웨어 기반 딥러닝 모델과 Q-팩터 향상 측면에서 어떻게 비교되는가?
• RQ3 재구성 가능한 활성화 함수를 갖춘 포토닉 뉴런이 광섬유 링크에서 발생하는 복잡한 비선형 왜곡을 어느 정도 정확하게 모델링할 수 있는가?
• RQ4 10,080 km 해저 전송 시스템에서 포토닉 신경망이 신호 정합도를 유지하고 저지연을 달성할 수 있는가?
• RQ5 실세계 신호 처리 작업을 위한 실시간 응용에 적합한 신경망 크기와 깊이 측면에서 포토닉 신경망의 확장성은 어느 정도인가?

주요 결과

• 포토닉 신경망은 10,080 km 해저 전송 시스템에서 고성능 GPU 기반 워크스테이션에서 실행되는 소프트웨어 기반 신경망과 유사한 Q-팩터 향상을 달성하였다.
• 시스템은 아날로그 영역에서 광신호를 실시간으로 처리하였으며, 파동도관 내 빛의 속도에 의해 결정되는 지연만이 제한 요소로 작용하여, 1 ns 이내의 처리 속도를 구현하였다.
• 포토닉 뉴런에 사용된 로렌츠형 전달 함수는 섬유 전송에서 발생하는 비선형 교란을 정확하게 모델링할 수 있었으며, 시뮬레이션 결과 Leaky ReLU보다 뛰어난 성능을 보였다.
• 두 번째 은닉층의 뉴런 수가 증가할수록 Q-팩터 향상이 증가함을 확인하여, 네트워크의 용량 증가에 따라 더 정밀한 비선형 왜곡 모델링 능력을 갖추고 있음을 입증하였다.
• 네트워크 크기가 증가함에 따라 추가 지연이 최소화되는 것으로 나타나, 실시간 응용에 적합한 확장성을 입증하였다.
• 전기적 테이닝을 통해 활성화 함수와 합성 시냅스 가중치를 재구성할 수 있어, 다양한 신호 처리 작업에 대응 가능한 프로그래밍 가능성을 확보하였다.