[论文解读] 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 8

一句话总结

该论文首次在实验中展示了基于双向循环神经网络（BRNN）自编码器的端到端光纤通信系统，通过利用序列级处理缓解非线性色散信道中的符号间串扰，其性能优于前馈神经网络（FFNN）。基于BRNN的系统在42 Gb/s速率下实现了超过50 km的6.7% HD-FEC受限传输距离，证明了在真实光纤链路中循环处理的优越性。

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.

研究动机与目标

• 开发并实验验证一种基于深度学习的端到端光收发器，适用于强度调制直接检测（IM/DD）光纤链路。
• 解决前馈神经网络（FFNN）在处理光纤色度色散和非线性效应引起的符号间串扰（ISI）方面的局限性。
• 研究采用滑动窗口序列估计的双向循环神经网络（BRNN）在联合发射机与接收机优化中的性能增益。
• 评估在未重新训练的情况下，基于模型训练的收发器直接应用于真实实验光纤链路时的鲁棒性。

提出的方法

• 在光纤信道的数值模型上端到端训练BRNN自编码器，通过最小化交叉熵来优化符号误码率。
• 采用双向循环架构实现收发器，同时从前向和后向处理输入序列，实现上下文感知的信号表示。
• 将训练好的BRNN模型直接应用于实验测试平台，未做任何进一步调整，使用与仿真中相同的参数。
• 采用滑动窗口序列估计算法实时处理数据块，通过拼接或平均方式结合前向和后向隐藏状态。
• 在相同的训练和实验条件下，将BRNN自编码器与先前的FFNN自编码器进行对比。
• 利用合并函数结合前向和后向隐藏状态：$\text{merge}_{\text{tx/rx}}\left\{ \alpha(\mathbf{W}_{\text{fw}}[\mathbf{x}_t^T, \overrightarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{fw}}); \alpha(\mathbf{W}_{\text{bw}}[\mathbf{x}_t^T, \overleftarrow{\mathbf{h}}_{t-1}^T]^T + \mathbf{b}_{\text{bw}}) \right\}$。

实验结果

研究问题

• RQ1 在色散非线性光纤信道的实验光传输中，基于BRNN的自编码器是否能优于基于FFNN的自编码器？
• RQ2 在端到端深度学习光通信系统中，循环处理在多大程度上提升了系统传输距离和符号误码率？
• RQ3 当存在模型-实现差异时，基于信道模型训练的收发器在直接应用于真实实验链路时的鲁棒性如何？
• RQ4 滑动窗口大小对SBRNN自编码器在实际传输中性能的影响是什么？
• RQ5 在IM/DD系统中，端到端训练的神经网络是否能实现相对于经典线性均衡或最大似然序列检测的性能增益？

主要发现

• 在42 Gb/s速率下，实验传输中BRNN自编码器实现了超过50 km的6.7% HD-FEC受限传输距离，显著优于基于FFNN的系统。
• SBRNN自编码器的实验误码率性能与仿真结果高度吻合，证实了在信道模型上进行端到端训练的有效性。
• 由于能够同时利用过去和未来符号的上下文信息，BRNN系统在抑制符号间串扰（ISI）方面优于FFNN。
• SBRNN相较于FFNN的性能增益归因于其循环处理能力，使发射机与接收机能够在时间序列上实现联合优化。
• 在数值模型上训练的收发器在真实链路上实现了接近最优的性能，验证了无需现场重训练即可部署预训练模型的可行性。
• 通过优化滑动窗口大小可进一步提升性能，如先前仿真所示，但当前实验设置中未对此进行调优。