プルーニングと量子化を使用した、制限されたハードウェアでのニューラル ネットワーク光チャネル イコライザーの実験的実装

Scientific Reports volume 12、記事番号: 8713 (2022) この記事を引用

1502 アクセス

8 件の引用

1 オルトメトリック

メトリクスの詳細

人工ニューラル ネットワーク ベースの光チャネル イコライザーをエッジ コンピューティング デバイスに展開することは、次世代の光通信システムにとって非常に重要です。 しかし、これは依然として非常に困難な問題であり、主に、大きな分散誘起メモリを備えた非線形光チャネルの効率的な等化に必要な人工ニューラル ネットワーク (NN) の計算の複雑さが原因です。 NN ベースの光チャネル イコライザーをハードウェアに実装するには、単純化された NN モデルの許容可能なパフォーマンス レベルを維持する必要がある一方で、大幅な複雑さの軽減が必要です。 この研究では、NN ベースの光チャネル イコライザーにプルーニングおよび量子化技術を適用することで、複雑さの軽減の問題に取り組みます。 我々は、NN アーキテクチャの例である多層パーセプトロン (MLP) を使用して、標準的なシングルモード ファイバーを介した 30 GBd 1000 km 伝送の障害を軽減し、イコライザーのメモリを最大 87.12% 削減できることを実証します。 、顕著なパフォーマンスの低下なしに、その複雑さは最大 78.34% 軽減されます。 これに加えて、デジタル信号処理 (DSP) の観点から、圧縮された NN ベースのイコライザーの計算の複雑さを正確に定義します。 さらに、異なる CPU および GPU 機能を備えたハードウェアを使用した場合の、圧縮イコライザーの消費電力と遅延への影響を調べます。 また、2 つの標準的なエッジ コンピューティング ハードウェア ユニット (Raspberry Pi 4 と Nvidia Jetson Nano) に縮小 NN イコライザーを実装することにより、開発された技術を実験的に検証します。これらのハードウェア ユニットは、光ファイバー システムを通る信号の伝播をシミュレートすることで生成されたデータを処理するために使用されます。 。

光通信は、世界的なデジタル インフラストラクチャのバックボーンを形成します。 現在、光ネットワークは世界的なデータ トラフィックの主要なプロバイダーであり、何十億もの人々を相互接続するだけでなく、膨大な数の異なる自律デバイス、機械、制御システムのライフサイクルもサポートしています。 現在の光ファイバー通信システムのスループットを制限する主な要因の 1 つは、ファイバー メディアの非線形応答とシステムのコンポーネントの両方から生じる非線形性による伝送障害 1、2 です。 この問題に対する既存および潜在的な解決策には、いくつかの注目すべき方法を挙げると、たとえば、ミッドスパン光位相共役、デジタル逆伝播 (DBP)、および逆ボルテラ級数伝達関数が含まれます 2、3、4。 ただし、電気通信業界では、考えられるソリューション間の競争がパフォーマンスの点だけでなく、ハードウェア展開のオプション、運用コスト、電力消費の点でも発生していることを強調しておく必要があります。

ここ数年、機械学習技術に基づくアプローチ、特に NN を利用したアプローチは、NN が繊維とコンポーネントに起因する障害の両方を効率的に展開できるため、ますます人気の研究テーマになっています 5、6、7、8。 9、10、11、12、13、14、15。 光伝送システムで信号の破損を補償するために NN を使用する簡単な方法の 1 つは、悪影響を打ち消すことを目的とした、受信側の特別な信号処理デバイスであるポストイコライザー 7,10,14 としてシステムに NN を接続することです。データ送信中に出現する16。 多くの先行研究が、このタイプの解決策の可能性を実証しています 7,8。 多くの NN アーキテクチャが、さまざまなタイプの光学システム (海底、長距離、地下鉄、アクセス) ですでに分析されています。 これらのアーキテクチャには、現在の研究で検討されている MLP7、10、14、15 などのフィードフォワード NN 設計、またはより洗練されたリカレント型 NN 構造 10、11、12、17 が含まれます。 しかし、リアルタイム NN ベースのチャネル イコライザーの実際的な展開は、その計算複雑さが既存の従来のデジタル信号処理 (DSP) ソリューションと少なくとも同等、または望ましくはそれよりも低いことを意味しており、依然として議論の余地があります。 NN によって達成される優れたパフォーマンスは、通常、多数のパラメーターと浮動小数点演算の使用に関連しているため、これは重要な側面です10。 計算の複雑さが高いため、メモリと計算能力の要件が高くなり、エネルギーとリソースの消費量が増加します19,20。 したがって、NN ベースの方法の使用は、間違いなく有望で魅力的ではありますが、光チャネル等化において大きな課題に直面しており、計算の複雑さがリアルタイム展開を制限する重要な要因として現れます 10、12、20、21。 ここで、もちろん、一部の NN アーキテクチャは、枝刈りや量子化などの戦略のおかげで、パフォーマンスに大きな影響を与えることなく簡素化できることがよく知られていることに注目します19、20、22、23、24、25。 ただし、リソースが制限されたハードウェアの実験環境でのそれらのアプリケーションは、コヒーレント光チャネル等化の観点ではまだ十分に研究されていません。 また、複雑さの軽減とシステムパフォーマンスの低下の間のトレードオフ、および複雑さの軽減がエンドデバイスのエネルギー消費に及ぼす影響を理解し、さらに分析することも必要です。