[论文解读] Nonlinear Interference Mitigation via Deep Neural Networks

Christian Häger, Henry D. Pfister|arXiv (Cornell University)|Oct 17, 2017

Optical Network Technologies被引用 4

一句话总结

本文提出了一种基于深度神经网络（DNN）的可学习数字反向传播（LDBP）方法，通过展开分步傅里叶法（SSFM）来缓解光纤通信系统中的非线性串扰。通过将DNN结构设计为与SSFM的迭代架构一致，LDBP在保持高Q因子的同时，将计算复杂度降低了高达50%，实现了与传统数字反向传播（DBP）相当的性能，适用于32×100 km光纤链路。

ABSTRACT

A neural-network-based approach is presented to efficiently implement digital backpropagation (DBP). For a 32x100 km fiber-optic link, the resulting "learned" DBP significantly reduces the complexity compared to conventional DBP implementations.

研究动机与目标

• 降低高速光纤通信系统中数字反向传播（DBP）的计算复杂度。
• 解决传统DBP通过数值方法求解非线性薛定谔方程（NLSE）带来的高计算负担问题。
• 利用基于物理信号处理算法结构化的深度神经网络（DNN）。
• 实现高效、可学习的非线性均衡，能够适应超越解析模型的现实世界非理想因素。
• 证明：基于迭代物理算法结构化的DNN可优于或等同于标准DBP，且计算步骤更少。

提出的方法

• 通过展开分步傅里叶法（SSFM），构建DNN架构，其中每个SSFM步骤对应网络中的一个层。
• 每一层先执行线性操作（通过DFT、传输、逆DFT实现），再施加非线性相位偏移（|u|²u），以匹配NLSE的解。
• 使用从物理系统模型实时生成的训练数据，通过反向传播进行端到端训练。
• DNN的权重和偏置基于SSFM参数初始化，确保具有物理意义的初始状态。
• 针对1、2和3步/跨段配置，分别采用时间域滤波器记忆长度K=12、8和6。
• 通过GPU上的随机梯度下降进行优化，使用实时生成的训练数据。

实验结果

研究问题

• RQ1 基于SSFM结构化的DNN能否在降低复杂度的同时，实现与传统DBP相当的性能？
• RQ2 继承SSFM功能形式的DNN方法是否在非线性光纤均衡中优于标准的‘黑箱’DNN？
• RQ3 DNN中学习得到的参数能否补偿导致DBP性能下降的频谱滤波损耗？
• RQ4 在DNN架构中减少SSFM步数时，性能与复杂度之间的权衡如何？
• RQ5 DNN能否推广到标准DBP需要更高采样率或更大接收带宽的非线性区域？

主要发现

• LDBP采用1步/跨段时，Q因子达到16.8 dB，与采用2步/跨段的DBP性能相当，实现了50%的复杂度降低。
• LDBP采用3步/跨段时，在非线性区域的性能略优于采用50步/跨段的DBP，尽管其复杂度更低。
• 随着步数增加，LDBP与DBP之间的性能差距逐渐缩小，表明在某一点后收益递减。
• 采样前的频谱滤波会导致DBP因丢失信号分量而精度下降，而LDBP能部分补偿这种损失。
• 采用短记忆滤波器（K=6）的时间域实现是可行的，且避免了计算昂贵的傅里叶变换。
• DNN对现实世界非理想因素具有鲁棒性，表明未来可适应实验数据进行进一步应用。