[논문 리뷰] Spatial Photonic Reservoir Computing based on Non-Linear Phase-to-Amplitude Conversion in Micro-Ring Resonators

Charis Mesaritakis, Kostas Sozos외 2명|arXiv (Cornell University)|2021. 01. 12.

Neural Networks and Reservoir Computing참고 문헌 6인용 수 8

한 줄 요약

이 논문은 마이크로링 레지온레이터(MRRs)를 사용하여 전면 광학적, 저전력 비선형 활성화를 위상-진폭 변환을 통해 실현하는 광학적 리저보아워 커퍼링(Reservoir Computing, RC) 아키텍처를 제안한다. MRR의 내재된 비선형 전달 함수를 활용함으로써, 시스템은 1초당 수기가비트 이상의 신호에 대한 실시간 분류와 광섬유 링크 내 효과적인 분산 보정을 달성하며, 훈련과 전력 소모가 극히 적은 조건에서 45km 거리에서 HD-FEC(10⁻³) 이하의 비트 오류율(BER)을 구현한다.

ABSTRACT

We present a photonic reservoir computing, relying on a non-linear phase-to-amplitude mapping process, able to classify in real-time multi-Gbaud time traces subject to transmission effects. This approach delivers an all-optical, low-power neuromorphic dispersion compensator.

연구 동기 및 목표

• 고속 신호 처리를 위한 통합 광학 기반의 전면 광학적, 저전력 뉴로모르픽 컴퓨팅 플랫폼을 개발하기 위해.
• 높은 입력 전력이나 능동 소자를 요구하지 않고도 광학적 RC에서 효과적인 전면 광학 비선형 활성화 함수를 구현하는 데 도전하는 데 목적이 있다.
• 수동 MRR를 고대역폭 광신호의 실시간 처리를 위한 비선형 활성화 요소로 사용할 수 있는지를 입증하기 위해.
• 두 가지 실용적 과제인 시간 추적 분류와 25 Gbaud PAM-4 시스템 내 전송 손상 완화를 통해 접근법의 타당성을 검증하기 위해.

제안 방법

• MRR의 추가/드롭 마이크로링 레지온레이터에서의 비선형 위상-진폭 변환을 활용하며, 입력 위상 변조 신호가 MRR의 전달 함수를 통해 출력 진폭 변조 신호로 변환된다.
• MRR의 응답을 결합 모드 이론을 사용해 모델링하며, 출력 전력이 입력 위상 이동, 고리 반지름, 결합 계수의 함수로 되는 핵심 방정식을 수립한다.
• 다중 노드 RC를 MRR를 루프 토폴로지로 연결하여 구성하며, 각 MRR의 통과 포트는 다음 MRR에 연결되고, 드롭 포트는 전기적 읽기 출력을 위한 광다이오드에 연결된다.
• 광다이오드 출력에 릿지 회귀 기반의 훈련 기법을 적용하여 입력 패턴을 분류하거나 왜곡된 신호를 복원한다.
• 정규 분포를 이용해 MRR 간의 파rameter 변화(k, R, 손실)를 도입함으로써 동적 풍부성과 내성 향상을 도모한다.
• 분할-스텝 푸리에 방법을 사용해 전송 손상을 시뮬레이션하고, MRR-RC를 활용해 25 Gbaud PAM-4 신호에서 색산란을 보정한다.

실험 결과

연구 질문

• RQ1 고전적 입력 전력이나 능동 소자가 필요 없이 수동 마이크로링 레지온레이터를 사용하여 조절 가능한 전면 광학 비선형 활성화 함수를 구현할 수 있는가?
• RQ2 MRR에 의한 비선형성 도입이 지연 기반 광학 RC에 비해 분류 성능에 어떤 영향을 미치는가?
• RQ3 고속 광링크 내 색산란과 같은 전송 손상을 MRR-RC가 어느 정도 보정할 수 있는가?
• RQ4 최소한의 훈련과 저전력 소비로도 시스템이 전방 오류 정정(FEC) 임계치(예: HD-FEC)에 도달할 수 있는가?

주요 결과

• 20개 노드에서 MRR-RC는 0.037%의 분류 오차를 달성하였으며, 지연 기반 RC(15.6% 오차)에 비해 400배 향상된 성능을 보였다. 이는 도입된 비선형성 덕분이다.
• 10개 노드 RC에서 위상 변조 깊이가 낮을 경우(Δφ = 0.13 rad) 분류 오차는 53%에서 증가하지만, Δφ = π/2 rad로 증가할수록 거의 0%로 감소함으로써 비선형성에 직접 제어 가능함을 입증한다.
• 25 Gbaud PAM-4 신호에서 40km 전송 거리에서 평균 BER이 4×10⁻⁴로 측정되었으며, 이는 HD-FEC 기준인 10⁻³ 이하에 해당한다.
• 모든 전송 거리에서 선형 분류기보다 MRR-RC가 뛰어난 성능을 보이며, 효과적인 분산 보정을 위해서는 비선형성이 필수적임을 확인한다.
• 시스템은 낮은 전력 소비를 유지하며 복잡한 훈련이 필요 없으며, 릿지 회귀를 통해 유일하게 출력층만 훈련되기 때문이다.
• 100개의 랜덤 MRR 파rameter 설정에 대해 성능이 우수하며, 최소 BER이 50km 거리에서 10⁻⁴에 도달함으로써 확장성과 신뢰성을 확인한다.