[논문 리뷰] Spiking Neural Network Equalization on Neuromorphic Hardware for IM/DD Optical Communication

Elias Arnold, Georg Böcherer외 5명|arXiv (Cornell University)|2022. 06. 01.

Advanced Memory and Neural Computing인용 수 4

한 줄 요약

이 논문은 강도 변조/직접 검출(IM/DD) 광통신을 위한 뇌스케일스-2 뉴모르픽 하드웨어에 구현된 스파iking 신경망(SNN) 등화기/디맵퍼를 제안한다. SNN은 하드웨어 페널티가 1 dB 미만이면서도 비트 오류율(BER)을 $2 \times 10^{-3​}$로 달성하여 소프트웨어 시뮬레이션된 선형 최소 제곱 오차(LMMSE) 등화기보다 뛰어나며, 12%의 FEC 오버헤드를 가진 200 Gbit/s에서 저전력 광신호 검출을 위한 아날로그 뉴모르픽 처리의 실현 가능성을 입증한다.

ABSTRACT

A spiking neural network (SNN) non-linear equalizer model is implemented on the mixed-signal neuromorphic hardware system BrainScaleS-2 and evaluated for an IM/DD link. The BER 2e-3 is achieved with a hardware penalty less than 1 dB, outperforming numeric linear equalization.

연구 동기 및 목표

• 뉴모르픽 하드웨어를 사용하여 IM/DD 광통신 시스템에서 비선형 등화를 위한 스파킹 신경망(SNN)의 실현 가능성을 평가하는 것.
• 아날로그 뉴모르픽 하드웨어에서 SNN 기반 등화가 소프트웨어 시뮬레이션된 SNN과 유사한 성능을 달성하고 기존 선형 등화기보다 뛰어나다는 것을 입증하는 것.
• 혼합 신호 뉴모르픽 시스템인 BrainScaleS-2에서 루프 내 학습을 통해 얻은 SNN의 신뢰성과 저하중 페널티를 검증하여 실시간 광신호 처리에 적합한지 확인하는 것.
• 특히 고속 ADC가 필요 없게 하여 전력 소모가 높은 디지털 신호 처리를 대체할 수 있는 뉴모르픽 하드웨어의 잠재력을 탐색하는 것.

제안 방법

• PAM4 신호의 동시 등화 및 디맵핑을 위해 1개의 은닉층(40개의 리키 인티그레이트 앤 파이어(LIF) 뉴런)과 4개의 리키 인티그레이트(LI) 읽기 뉴런을 갖는 SNN을 설계하였다.
• 전방 계산은 BrainScaleS-2 하드웨어에서 수행되고 가중치 갱신은 호스트 컴퓨터에서 계산되는, 서rogate 기반의 루프 내(ITL) 학습을 사용하여 SNN을 학습시켰다.
• 6비트로 설정 가능한 시냅스 가중치, 아날로그 막막 전위 통합, 디지털 스파이크 통신을 갖춘 혼합 신호 뉴모르픽 하드웨어를 사용하여 저전력 연속 시간 처리를 가능하게 하였다.
• 모의 환경에서 색산성 분산과 가우시안 노이즈(AWGN)를 고려하여 O밴드에서 4km의 광섬유를 통해 200 Gbit/s IM/DD 신호를 처리하였다.
• BSS-2 시스템을 사용하여 하드웨어 실험을 수행하였으며, 수신기에서 입력 신호는 루트-레이즈드 코사인(RRC) 필터링 및 광다이오드 제곱화를 거쳐 사전 처리되었다.
• 결정 경계는 FEC 임계치 $2 \times 10^{-3}$를 고려하여 최적화하였고, 시뮬레이션된 SNN, 소프트웨어 기반 ANN, BSS-2에 구현된 하드웨어 SNN 간의 BER 결과를 비교하여 네트워크 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 뉴모르픽 하드웨어에 구현된 스파킹 신경망(SNN)이 IM/DD 광링크에서 소프트웨어 시뮬레이션된 SNN과 유사한 BER 성능을 달성할 수 있는가?
• RQ2 색산성 분산과 노이즈로 인해 영향을 받는 PAM4 신호에 대해 뉴모르픽 SNN 처리가 기존 선형 등화기(LMMSE)보다 BER 측면에서 뛰어나게 되는가?
• RQ3 소프트웨어 시뮬레이션 대비 BrainScaleS-2에 SNN을 구현할 경우 하드웨어 페널티는 얼마이며, 목표 BER $2 \times 10^{-3}$에서 1 dB 이내로 유지될 수 있는가?
• RQ4 아날로그 뉴모르픽 하드웨어에서 루프 내 학습을 통해 신뢰성 있고 저전력의 신호 처리가 실시간 광전환기용으로 가능해지는가?
• RQ5 SNN 기반 등화가 광다이오드에서 직접 스파이크를 처리함으로써 고전압 아날로그-디지털 변환의 필요성을 제거할 수 있는가?

주요 결과

• BrainScaleS-2에 구현된 SNN 등화기는 소프트웨어 시뮬레이션된 SNN과 비교해 하드웨어 페널티가 1 dB 미만이면서도 BER을 $2 \times 10^{-3}$로 달성하였다.
• 하드웨어로 실행된 SNN은 7탭 LMMSE 선형 등화기보다 우수한 성능을 보이며, 신호 복구에서 비선형 처리의 이점이 있음을 입증하였다.
• BSS-2에서 학습된 SNN은 시뮬레이션된 단일 및 이중 은닉층 ReLU 기반 인공신경망(ANN)보다 BER 성능이 뛰어나게 나타났다.
• BSS-2에서의 막막 전위 트레이스와 스파이크 활동은 정확한 읽기 뉴런만 선택적으로 활성화됨을 확인하였으며, 이는 확신 있는 결정을 내리는 데 기여함을 시사한다.
• BSS-2에서 학습된 가중치 행렬은 중심 탭에서 온 입력 가중치가 지배적임을 보여주며, 이는 현재 심볼을 분류하는 데 있어 중심 탭의 핵심적 역할을 반영한다.
• 시스템은 1개의 입력 샘플을 30 μs 내에 처리할 수 있으며, 200 Gbit/s 처리 용량을 충족시키기 위해 병렬 처리가 가능하다.