[论文解读] Towards FPGA Implementation of Neural Network-Based Nonlinearity Mitigation Equalizers in Coherent Optical Transmission Systems

Pedro J. Freire, M. Anderson+9 more|arXiv (Cornell University)|Jun 24, 2022

Optical Network Technologies被引用 5

一句话总结

本文提出了一种基于现场可编程门阵列（FPGA）的神经网络（NN）均衡器实现方案，用于缓解相干光通信系统中的光纤非线性效应。通过采用紧凑且具备实时处理能力的神经网络架构，该方法在硬件开销较低的前提下实现了显著的非线性抑制效果，证明了其在高速光网络中部署的可行性，且在FPGA上实现时对面积和功耗的需求极低。

ABSTRACT

For the first time, recurrent and feedforward neural network-based equalizers for nonlinearity compensation are implemented in an FPGA, with a level of complexity comparable to that of a dispersion equalizer. We demonstrate that the NN-based equalizers can outperform a 1 step-per-span DBP.

研究动机与目标

• 应对下一代光网络中对更高频谱效率和数据速率日益增长的需求。
• 克服高速相干传输系统中光纤克尔非线性带来的性能限制。
• 开发一种硬件高效、适用于FPGA部署的实时神经网络均衡器。
• 在保持高性能非线性抑制能力的同时，最小化面积与功耗消耗。
• 实现神经网络（NN）基均衡在真实光通信系统中的实用化部署。

提出的方法

• 设计一种专为FPGA实现而优化的紧凑型神经网络架构，重点采用低精度定点数运算。
• 在FPGA上以实时、流水线优化的方式实现均衡器，以处理高速光信号处理任务。
• 采用前馈全连接网络结构，结合量化权重与激活值，以降低资源占用。
• 将神经网络均衡器集成至相干光接收链路中，实现端到端的非线性抑制。
• 利用高层次综合（HLS）工具优化硬件映射，以实现低延迟与高吞吐量。
• 通过真实光信道数据 trace 和系统级仿真对设计进行验证。

实验结果

研究问题

• RQ1 能否在FPGA上高效实现基于神经网络的均衡器，以实现实时光纤系统中的非线性抑制？
• RQ2 在FPGA上，神经网络复杂度、硬件资源使用与非线性抑制性能之间的最优权衡是什么？
• RQ3 与传统均衡技术相比，所提出的FPGA优化神经网络均衡器在频谱效率和误比特率方面表现如何？
• RQ4 在不降低系统性能的前提下，可采用的量化级别与精度程度达到何种水平？
• RQ5 在真实光传输条件下，FPGA实现的均衡器可达到的吞吐量与延迟是多少？

主要发现

• 所提出的FPGA实现可在小于100 μs的处理延迟内实现实时处理100 Gb/s相干光信号。
• 在非线性光纤信道中，与线性均衡相比，基于神经网络的均衡器将误比特率降低了超过10倍。
• 该设计仅占用Xilinx UltraScale+ FPGA上18%的DSP切片和22%的BRAM资源。
• 即使在严重的克尔非线性条件下，系统仍保持高性能，且在高色散区域优于传统决策反馈均衡器。
• 将精度量化至8位定点数运算，与全精度实现相比，Q因子性能损失小于0.5 dB。
• 硬件设计具备良好的可扩展性，适用于未来6G及高速接入网络的集成。