Экспериментальная реализация эквалайзера оптического канала нейронной сети на ограниченном аппаратном обеспечении с использованием обрезки и квантования.

Том 12 научных отчетов, номер статьи: 8713 (2022) Цитировать эту статью

1355 Доступов

3 цитаты

1 Альтметрика

Подробности о метриках

Развертывание эквалайзеров оптических каналов на основе искусственных нейронных сетей на периферийных вычислительных устройствах имеет решающее значение для следующего поколения систем оптической связи. Однако это по-прежнему остается весьма сложной проблемой, главным образом из-за вычислительной сложности искусственных нейронных сетей (НС), необходимых для эффективного выравнивания нелинейных оптических каналов с большой памятью, вызванной дисперсией. Для аппаратной реализации эквалайзера оптического канала на основе NN необходимо существенное снижение сложности, при этом необходимо сохранить приемлемый уровень производительности упрощенной модели NN. В этой работе мы решаем проблему снижения сложности, применяя методы обрезки и квантования к эквалайзеру оптического канала на основе нейронной сети. Мы используем примерную архитектуру NN, многоуровневый персептрон (MLP), для смягчения ухудшений при передаче 30 ГБод на 1000 км по стандартному одномодовому волокну и демонстрируем возможность уменьшения памяти эквалайзера до 87,12%. , а его сложность — до 78,34% без заметного ухудшения производительности. В дополнение к этому мы точно определяем вычислительную сложность эквалайзера на основе сжатой нейронной сети в смысле цифровой обработки сигналов (DSP). Кроме того, мы исследуем влияние использования оборудования с различными функциями ЦП и ГП на энергопотребление и задержку сжатого эквалайзера. Мы также проверяем разработанную методику экспериментально, реализуя уменьшенный NN-эквалайзер на двух стандартных аппаратных устройствах периферийных вычислений: Raspberry Pi 4 и Nvidia Jetson Nano, которые используются для обработки данных, генерируемых путем моделирования распространения сигнала по оптоволоконной системе. .

Оптическая связь составляет основу глобальной цифровой инфраструктуры. Сегодня оптические сети являются основными поставщиками глобального трафика данных, не только соединяя между собой миллиарды людей, но и поддерживая жизненный цикл огромного количества различных автономных устройств, машин и систем управления. Одним из основных факторов, ограничивающих пропускную способность современных волоконно-оптических систем связи, являются нарушения передачи, вызванные нелинейностью1,2, возникающие как из-за нелинейного отклика волоконной среды, так и из-за компонентов системы. Существующие и потенциальные решения этой проблемы включают, например, оптическое обращение волнового фронта в середине диапазона, цифровое обратное распространение сигнала (DBP) и обратную передаточную функцию ряда Вольтерра, и это лишь некоторые из заметных методов2,3,4. Но следует подчеркнуть, что в телекоммуникационной отрасли конкуренция между возможными решениями происходит не только с точки зрения производительности, но и с точки зрения вариантов развертывания оборудования, эксплуатационных затрат и энергопотребления.

В последние годы подходы, основанные на методах машинного обучения и, в частности, использующие НС, становятся все более популярной темой исследований, поскольку НС могут эффективно устранять нарушения, вызванные как волокнами, так и компонентами5,6,7,8, 9,10,11,12,13,14,15. Одним из простых способов использования нейронной сети для компенсации искажений сигнала в системах оптической передачи является подключение ее к системе в качестве пост-эквалайзера7,10,14, специального устройства обработки сигнала на стороне приемника, предназначенного для противодействия вредным воздействиям. возникающие при передаче данных16. Многочисленные предыдущие исследования продемонстрировали потенциал этого типа решения7,8. Ряд архитектур нейронных сетей уже был проанализирован в различных типах оптических систем (подводных, дальней связи, метро и доступа). Эти архитектуры включают конструкции NN с прямой связью, такие как MLP7,10,14,15, рассматриваемые в текущем исследовании, или более сложные структуры NN рекуррентного типа10,11,12,17. Однако практическое развертывание канальных эквалайзеров на основе NN в реальном времени подразумевает, что их вычислительная сложность, по крайней мере, сопоставима или, желательно, ниже, чем у существующих традиционных решений цифровой обработки сигналов (DSP)18, и остается предметом дискуссий. Это важный аспект, поскольку хорошая производительность, достигаемая НС, обычно связана с использованием большого количества параметров и операций с плавающей запятой10. Высокая вычислительная сложность, в свою очередь, приводит к высоким требованиям к памяти и вычислительной мощности, что увеличивает потребление энергии и ресурсов19,20. Таким образом, использование методов на основе нейронных сетей, будучи, несомненно, многообещающим и привлекательным, сталкивается с серьезной проблемой при выравнивании оптических каналов, где вычислительная сложность становится важным ограничивающим фактором развертывания в реальном времени10,12,20,21. Здесь мы отмечаем, что, конечно, хорошо известно, что некоторые архитектуры нейронных сетей можно упростить без существенного влияния на их производительность, например, благодаря таким стратегиям, как сокращение и квантование19,20,22,23,24,25. Однако их применение в экспериментальной среде аппаратуры с ограниченными ресурсами еще не полностью изучено в контексте когерентной коррекции оптических каналов. Также необходимо понять и дополнительно проанализировать компромисс между снижением сложности и ухудшением производительности системы, а также влияние снижения сложности на энергопотребление конечного устройства.