[論文レビュー] Optical Fiber Communication Systems Based on End-to-End Deep Learning

Boris Karanov, Mathieu Chagnon+4 more|arXiv (Cornell University)|May 18, 2020

Optical Network Technologies参考文献 9被引用数 8

ひとこと要約

本論文は、非線形で分散性のあるチャネルにおける符号間干渉（ISI）を軽減するために、シーケンスレベルの処理を活用する、双方向再帰ニューラルネットワーク（BRNN）自己符号化器を用いたエンドツーエンド光ファイバー通信システムの初の実験的実装を提示する。このBRNNベースのシステムは、フィードフォワードニューラルネットワーク（FFNN）を上回り、42 Gb/sで50 kmを超えるHD-FEC制限距離を達成し、6.7%の向上を示した。これは、実世界の光ファイバー回線における再帰的処理の優位性を示している。

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.

研究の動機と目的

• 強度変調直接検出（IM/DD）ファイバー回線向けに、エンドツーエンドディープラーニングベースの光変復調器の開発および実験的検証を行う。
• 光ファイバー内の色散および非線形性によって引き起こされる符号間干渉（ISI）を処理する能力に限界を示すフィードフォワードニューラルネットワーク（FFNN）の課題を解決する。
• 双方向再帰ニューラルネットワーク（BRNN）とスライディングウィンドウシーケンス推定を用いた、送信機と受信機の共同最適化による性能向上を調査する。
• モデル学習済み変復調器を、再トレーニングなしに実際の実験用ファイバー回線に直接適用した際のロバストネスを評価する。

提案手法

• 光ファイバーチャネルの数値モデル上で、符号誤り率を最小化するための交差エントロピー最小化を最適化手段として、BRNNベースの自己符号化器をエンドツーエンドで学習する。
• 入力シーケンスを前向きおよび後向きの両方向で処理する双方向再帰アーキテクチャを採用し、文脈に配慮した信号表現を可能にする。
• シミュレーションで学習した同じパラメータを用い、実験用テストベッドにトレーニング済みのBRNNモデルを直接適用し、さらなる調整を施さない。
• リアルタイムでのデータブロック処理のためにスライディングウィンドウシーケンス推定アルゴリズムを適用し、前方および後方の隠れ状態を連結または平均化することで統合する。
• 同一のトレーニングおよび実験条件で、BRNN自己符号化器と従来のFFNNベースの自己符号化器を比較する。
• 前方および後方の隠れ状態を統合するためのマージ関数を活用する：$\text{merge}_{\text{tx/rx}}\left\{ \alpha(\mathbf{W}_{\text{fw}}[\mathbf{x}_t^T, \overrightarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{fw}}); \alpha(\mathbf{W}_{\text{bw}}[\mathbf{x}_t^T, \overleftarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{bw}}) \right\}$。

実験結果

リサーチクエスチョン

• RQ1 双方向再帰ニューラルネットワーク（BRNN）ベースの自己符号化器は、分散性で非線形なチャネルを介した実験的光ファイバー伝送において、フィードフォワードニューラルネットワーク（FFNN）ベースの自己符号化器を上回ることができるか？
• RQ2 エンドツーエンドディープラーニングベースの光通信システムにおいて、再帰的処理はシステムの伝送距離および符号誤り率にどの程度向上をもたらすか？
• RQ3 モデルで学習された変復調器が、モデル実装と実際の実験リンクとの間に差異がある可能性がある状況でも、実際の実験リンクに直接適用した際のロバストネスはどの程度か？
• RQ4 スライディングウィンドウサイズが、実世界の伝送におけるSBRNN自己符号化器の性能に与える影響は何か？
• RQ5 エンドツーエンドでトレーニングされたニューラルネットワークは、IM/DDシステムにおいて、従来の線形イコライゼーションや最大尤度シーケンス検出よりも性能向上を達成できるか？

主な発見

• BRNN自己符号化器は、実験的伝送において42 Gb/sで50 kmを超えるHD-FEC制限距離を6.7%向上し、FFNNベースのシステムを著しく上回った。
• SBRNN自己符号化器の実験的BER性能は、シミュレーション結果と非常に近い一致を示し、チャネルモデル上でエンドツーエンドトレーニングが有効であることを確認した。
• BRNNシステムは、過去と未来のシンボルからの文脈を処理できる能力のおかげで、FFNNに比べて符号間干渉（ISI）の抑制が顕著に優れていた。
• SBRNNがFFNNを上回る性能向上は、時間的シーケンス全体にわたる送信機と受信機の共同最適化を可能にする再帰的処理能力に起因している。
• 数値モデル上で学習した変復調器が、実際のリンクでほぼ最適な性能を達成したため、事前学習済みモデルを現場での再トレーニングなしに展開可能であることが実証された。
• スライディングウィンドウサイズの最適化によりさらなる性能向上が可能であることが、先行シミュレーションで示唆されているが、本実験設定ではそのチューニングは行われなかった。