[论文解读] End-to-End Learning of Geometrical Shaping Maximizing Generalized Mutual Information

Kadir Gümüş, Alex Alvarado+3 more|arXiv (Cornell University)|Dec 11, 2019

Sparse and Compressive Sensing Techniques参考文献 18被引用 10

一句话总结

本文提出一种基于梯度的直接优化星座坐标方法，用于光通信中的几何整形，以广义互信息（GMI）为优化目标。通过使用Gray编码的APSK星座作为初始化，并直接对星座点应用梯度下降（跳过神经网络），实现了最先进性能，在二维和四维格式中相较QAM的传输距离提升最高达26%。

ABSTRACT

GMI-based end-to-end learning is shown to be highly nonconvex. We apply gradient descent initialized with Gray-labeled APSK constellations directly to the constellation coordinates. State-of-the-art constellations in 2D and 4D are found providing reach increases up to 26\% w.r.t. to QAM.

研究动机与目标

• 为解决基于GMI的端到端学习在几何整形中因非凸性导致的次优局部极小值问题。
• 通过消除不必要的神经网络复杂性，提升星座优化的效率与可扩展性。
• 证明基于结构化星座初始化的直接星座坐标优化，相较以往方法具有更优性能。
• 提供一种计算量小、可扩展且高效的替代方案，替代遗传算法或成对优化等计算密集型算法。
• 在二维和四维格式中建立GMI优化星座的新基准，尤其针对高阶星座如1024点二维星座。

提出的方法

• 直接在星座点的坐标上进行优化，将其视为可学习参数，发射端网络中不包含隐藏层。
• 使用广义互信息（GMI）作为目标函数，通过Gauss-Hermite积分避免随机近似。
• 通过Gray编码的幅移键控（APSK）星座进行初始化，为优化提供结构化且高效的起始点。
• 采用固定学习率的梯度下降法，在固定迭代次数内（如M=1024时为1000次）进行优化，由于已知AWGN信道模型，无需接收端网络。
• 通过去除隐藏层，避免使用完整自编码器，从而减少参数量和计算时间，同时保持高性能。
• 在二维（M=1024, 256）和四维（M=64）星座上验证该方法，并与QAM、先前的GMI优化格式及偏振环切换设计进行对比。

实验结果

研究问题

• RQ1 在基于GMI的几何整形中，对星座点坐标进行直接梯度下降是否能优于基于神经网络的自编码器方法？
• RQ2 初始化方式的选择（如APSK与QAM）如何影响非凸GMI优化中的收敛性与性能？
• RQ3 GMI优化星座相较于标准QAM，在频谱效率和传输距离方面能带来多大性能增益？
• RQ4 与现有文献相比，该方法在高阶星座（如1024点二维）中的可扩展性如何？
• RQ5 仅包含最小架构（无隐藏层）是否能在保持快速收敛的同时，实现几何整形的最先进性能？

主要发现

• 基于GMI的优化景观具有高度非凸性，导致标准随机优化方法容易收敛至较差的局部极小值。
• 使用Gray编码APSK星座进行初始化能显著提升优化的可靠性与性能，优于随机或基于QAM的初始化。
• 与先前工作相比，该方法在二维（M=256）、二维（M=1024）和四维（M=64）格式中分别实现0.14 dB、0.12 dB和0.13 dB的GMI增益。
• 相较于传统QAM，优化后的星座可实现最高1 dB的SNR增益，相当于在45 GBaud、11通道、80 km跨度的光传输链路中，最大提升26%的传输距离。
• 对于M=1024的二维星座，该方法约15分钟内完成收敛，显著快于以往需要数小时且对如此高阶星座不切实际的方法。
• 该方法在大规模星座中具备良好的可扩展性与有效性，此前文献中尚未报道过GMI优化的1024点二维星座。