[论文解读] Exceeding the Nonlinear Shannon-Limit in Coherent Optical Communications using 3D Adaptive Machine Learning

Elias Giacoumidis, Jinlong Wei+2 more|arXiv (Cornell University)|Feb 26, 2018

Optical Network Technologies参考文献 48被引用 5

一句话总结

本文提出一种三维自适应深度神经网络，通过联合补偿确定性克尔非线性和随机参量噪声放大，克服相干光通信中的非线性香农极限。该方法在40 Gbit/sec速率下实现了创纪录的传输性能，相较于二维学习和传统非线性均衡器，具有更高的频谱效率和更低的复杂度。

ABSTRACT

The nonlinear Shannon capacity limit has been identified as the fundamental barrier to the maximum rate of transmitted information in optical communications. In long-haul high-bandwidth optical networks, this limit is mainly attributed to deterministic Kerr-induced fiber nonlinearities and from the interaction of amplified spontaneous emission noise from cascaded optical amplifiers with fiber nonlinearity: the stochastic parametric noise amplification. Unlike earlier impractical approaches that compensate solely deterministic nonlinearities, here we demonstrate a novel electronic-based adaptive three-dimensional (3D) deep neural network that tackles the interplay of deterministic and stochastic nonlinearity manifestation in coherent optical signals. Our demonstration shows that 3D deep learning can compensate nonlinear inter-carrier crosstalk effects even in the presence of frequency stochastic variations, which has hitherto been considered impossible. Our solution significantly outperforms conventional 2D machine learning and gold-standard nonlinear equalizers without sacrificing computational complexity, leading to record-breaking transmission performance for up to 40 Gbit/sec high-spectral-efficient optical signals.

研究动机与目标

• 解决长距离、高带宽光纤网络中的基本非线性香农容量极限问题。
• 克服由级联放大器引起的确定性克尔非线性和随机参量噪声放大相结合的挑战。
• 开发一种基于电子的自适应解决方案，以补偿在频率随机变化下的非线性信道间串扰。
• 在频谱效率和传输性能方面超越传统非线性均衡器的实现能力。

提出的方法

• 该方法采用三维（3D）深度神经网络，跨时间、频率和信号空间维度处理信号，以建模复杂的非线性相互作用。
• 3D网络具备自适应能力，可实现实时补偿相干光信号中的确定性非线性和与随机噪声效应。
• 该架构设计用于处理由光纤非线性引起的信道间串扰，即使在频率变化具有随机性时亦能有效应对。
• 通过学习光纤信道的非线性转移函数（包括噪声相互作用），模型旨在最小化信号失真。
• 该方法避免了以往仅针对确定性非线性问题的不切实际方法。
• 计算复杂度保持在实用水平，实现真实部署的同时不牺牲性能。

实验结果

研究问题

• RQ1 三维深度学习框架能否有效补偿光纤链路中确定性与随机非线性之间的相互作用？
• RQ2 在频率随机变化条件下，三维自适应神经网络是否优于传统二维机器学习方法以减轻非线性信道间串扰？
• RQ3 所提出方法在高谱效率光传输中，能在多大程度上超越非线性香农容量极限？
• RQ4 在频谱效率和误码率方面，三维深度学习解决方案与行业标准非线性均衡器相比表现如何？

主要发现

• 三维自适应深度神经网络即使在存在随机频率变化的情况下，也能成功补偿非线性信道间串扰，这一场景此前被认为难以处理。
• 所提出方法在40 Gbit/sec高谱效率光信号传输中实现了创纪录的性能表现。
• 三维深度学习方法在非线性串扰抑制和系统容量方面显著优于传统二维机器学习方法。
• 该解决方案在保持低计算复杂度的同时，性能超越了行业标准非线性均衡器。
• 该框架对级联光放大器中克尔非线性和放大的自发辐射噪声的综合影响表现出强鲁棒性。
• 结果证实，通过相干光通信中的基于电子的自适应三维深度学习，可以突破非线性香农极限。