[论文解读] Achievable Information Rates for Nonlinear Fiber Communication via End-to-end Autoencoder Learning

Li Shen, Christian Häger+2 more|arXiv (Cornell University)|Apr 20, 2018

Optical Network Technologies参考文献 14被引用 6

一句话总结

本文提出了一种用于非线性光纤通信的端到端自编码器（AE）框架，该框架在无需显式信道知识的情况下，联合优化了星座整形与信道后验估计。该自编码器实现了接近最大似然（ML）的性能，并计算了可达信息速率（AIR）的紧致下界，表明所学习的星座在非线性相位噪声环境中显著优于标准QAM，并逼近理论容量极限。

ABSTRACT

Machine learning is used to compute achievable information rates (AIRs) for a simplified fiber channel. The approach jointly optimizes the input distribution (constellation shaping) and the auxiliary channel distribution to compute AIRs without explicit channel knowledge in an end-to-end fashion.

研究动机与目标

• 开发一种基于机器学习的方法，用于在无需显式信道知识的情况下估计非线性光纤信道中的可达信息速率（AIR）。
• 通过自编码器的端到端训练，联合优化输入星座整形与接收机处理。
• 评估在非线性相位噪声（NLPN）下所学习星座的性能，并与传统M-QAM格式进行比较。
• 利用自编码器的AIR建立信道容量的紧致下界，以供未来容量界限研究参考。
• 证明自编码器能够近似真实信道后验分布，并实现接近最大似然（ML）检测性能。

提出的方法

• 自编码器由一个发射机神经网络（NN）构成，该网络使用独热编码和带有tanh或sigmoid激活函数的全连接层，将离散消息映射为复值信号星座。
• 发射机输出经过归一化以满足平均输入功率约束，信号随后通过一个简化的无记忆光纤信道模型，该模型由包含非线性参数γ和放大自发辐射（ASE）噪声的非线性递归关系定义。
• 接收机NN处理含噪输出，并通过Sigmoid输出层后归一化，生成对消息的概率分布。
• 自编码器通过交叉熵损失和随机梯度下降进行端到端训练，以最小化符号误码率，损失函数基于真实消息标签。
• 通过蒙特卡洛积分结合KL散度不等式计算可达信息速率（AIR），从而提供互信息I(X;Y)的下界。
• 信道模型假设为简化的非线性薛定谔方程，忽略色散效应，以捕捉非线性相位噪声（NLPN），并允许对p(y|x)进行解析计算。

实验结果

研究问题

• RQ1 端到端自编码器能否学习到比传统M-QAM格式更具抗非线性相位噪声（NLPN）能力的信号星座？
• RQ2 在无显式信道知识的条件下，自编码器在多大程度上能近似真实信道后验分布并实现接近最大似然（ML）的性能？
• RQ3 与非线性光纤信道的已知理论容量界限相比，自编码器所获得的可达信息速率（AIR）界限有多紧？
• RQ4 在输入功率增加和NLPN增强的条件下，自编码器所学习的星座与接收机结构是否比标准16-QAM具有更低的符号误码率（SER）？
• RQ5 通过自编码器计算的AIR能否为收紧信道容量的上下界提供有意义的基准？

主要发现

• 自编码器的符号误码率（SER）随输入功率增加而降低，表明所学习的星座比标准16-QAM更具抗非线性相位噪声能力，后者在超过-2 dBm后性能下降。
• 将自编码器接收机替换为ML检测器仅带来微小的SER改善，表明自编码器同时学习了优化的星座和对真实后验分布的准确近似。
• 自编码器的判决区域与所学习星座的最优ML判决区域高度一致，证实接收机网络成功学习了正确的非线性判决边界。
• 对于M=16，自编码器的AIR在log₂(16) = 4比特/信道使用（bpcu）处趋于平缓，表明在给定约束下所学习的星座实现了理论最大速率。
• 对于M=256，自编码器的AIR紧随两个已知下界（高斯分布与半高斯输入分布）的最大值，约在0 dBm输入功率时略微超过二者，表明其性能接近容量极限。
• 结果表明，自编码器的AIR可作为信道容量的紧致下界，可能有助于改进现有上界，尤其是在强非线性条件下。