[论文解读] Spiking Neural Network Equalization on Neuromorphic Hardware for IM/DD Optical Communication

Elias Arnold, Georg Böcherer+5 more|arXiv (Cornell University)|Jun 1, 2022

Advanced Memory and Neural Computing被引用 4

一句话总结

本文提出了一种在 BrainScaleS-2 神经形态硬件上实现的脉冲神经网络（SNN）均衡器/解映射器，用于强度调制/直接检测（IM/DD）光通信。该 SNN 在硬件代价低于 1 dB 的情况下，实现了比特错误率（BER）为 $2 \times 10^{-3}$ 的性能，优于软件仿真下的线性最小均方误差（LMMSE）均衡器，证明了模拟神经形态处理在 200 Gbit/s 速率下、采用 12% 前向纠错（FEC）开销的低功耗光信号检测中的可行性。

ABSTRACT

A spiking neural network (SNN) non-linear equalizer model is implemented on the mixed-signal neuromorphic hardware system BrainScaleS-2 and evaluated for an IM/DD link. The BER 2e-3 is achieved with a hardware penalty less than 1 dB, outperforming numeric linear equalization.

研究动机与目标

• 评估脉冲神经网络（SNN）在神经形态硬件上实现非线性均衡在 IM/DD 光通信系统中的可行性。
• 证明基于 SNN 的均衡在模拟神经形态硬件上可实现与软件仿真 SNN 相当的性能，并超越传统线性均衡器。
• 验证在混合信号神经形态系统（如 BrainScaleS-2）中，通过闭环训练的 SNN 具备可靠性与低硬件代价，适用于实时光信号处理。
• 探索神经形态硬件替代光收发器中功耗较高的数字信号处理的潜力，特别是通过消除高速模数转换器（ADC）的需求。

提出的方法

• 设计了一个包含一层 40 个漏电积分-放电（LIF）神经元和四个漏电积分（LI）输出神经元的 SNN，用于联合均衡与 PAM4 信号的解映射。
• 采用闭环（ITL）学习方法进行训练，使用代理梯度，其中前向传播在 BrainScaleS-2 硬件上执行，权重更新由主机计算机计算。
• 系统采用混合信号神经形态硬件，具备 6 位可配置突触权重、模拟膜电位积分和数字脉冲通信，实现低功耗、连续时间处理。
• SNN 在 O 波段对 4 km 光纤上的 200 Gbit/s IM/DD 信号进行处理，色散和加性白高斯噪声（AWGN）在仿真中建模。
• 硬件实验使用 BSS-2 系统，输入信号经根升余弦（RRC）滤波预处理，并在接收端通过光电二极管平方处理。
• 通过比较软件仿真 SNN、软件人工神经网络（ANN）和 BSS-2 上硬件实现的 SNN 的 BER 结果，评估网络性能，决策边界针对 FEC 阈值 $2 \times 10^{-3}$ 进行优化。

实验结果

研究问题

• RQ1 在神经形态硬件上实现的脉冲神经网络是否能在 IM/DD 光链路中实现与软件仿真 SNN 相当的 BER 性能？
• RQ2 与传统线性均衡（LMMSE）相比，神经形态 SNN 处理在色散和噪声影响下的 PAM4 信号时，BER 性能是否更优？
• RQ3 与软件仿真相比，将 SNN 部署在 BrainScaleS-2 上的硬件代价是多少？是否可在目标 BER 为 $2 \times 10^{-3}$ 时保持低于 1 dB？
• RQ4 在模拟神经形态硬件上进行闭环训练是否能够实现可靠、低功耗的信号处理，适用于实时光收发器？
• RQ5 基于 SNN 的均衡是否可通过直接处理光电二极管输出的脉冲信号，消除光接收机中高功耗模数转换的需求？

主要发现

• 在 BrainScaleS-2 上实现的 SNN 均衡器实现了 $2 \times 10^{-3}$ 的 BER，与软件仿真 SNN 相比硬件代价低于 1 dB。
• 硬件实现的 SNN 超过了 7-tap LMMSE 线性均衡器，证明了非线性处理在信号恢复中的优势。
• 在 BSS-2 上训练的 SNN 在仿真中表现出优于单隐藏层和双隐藏层 ReLU 基础人工神经网络（ANN）的 BER 性能。
• 膜电位波形和 BSS-2 上的脉冲活动表明，正确的输出神经元被选择性激活，表明决策具有高度置信度。
• 在 BSS-2 上学习的权重矩阵显示，中心抽头的输入权重占主导地位，反映了其在当前符号分类中的关键作用。
• 系统每 30 μs 处理一个输入样本，具备并行化潜力，可满足 200 Gbit/s 吞吐量需求。