Использование машинного обучения для улучшения обработки сигналов оптических приемников

Оптические системы связи лежат в основе практически всех современных систем передачи данных, от глобальных интернет-магистралей до гипермасштабных центров обработки данных и высокочастотных торговых сетей. По мере того, как требования к пропускной способности продолжают расти - обусловленные потоковым видео, облачными вычислениями, рабочими нагрузками искусственного интеллекта и Интернетом вещей - потребность в более эффективных, точных и адаптивных оптических приемниках никогда не была больше. В основе любого оптического приемника лежит обработка сигналов, критическая задача преобразования деградированных оптических сигналов обратно в надежные цифровые данные. Традиционные алгоритмы обработки сигналов, в то время как эффективные в статических или хорошо характеризуемых каналах, все чаще борются со сложными, изменяющимися во времени нарушениями, присутствующими в высокоскоростных системах. Машинное обучение (ML) появилось в качестве преобразующего подхода, предлагая возможность учиться на данных, адаптироваться к изменяющимся условиям и достигать уровней производительности, которые выходят за рамки классических ограничений.

Понимание обработки сигналов оптических приемников

Оптический приемник делает гораздо больше, чем просто обнаруживает свет. Сигнальная цепь начинается с фотодетектора (обычно PIN-код или лавинный фотодиод), который преобразует входящую оптическую мощность в фототок. Этот ток усиливается усилителем трансимпеданса (TIA), затем оцифровывается аналого-цифровым преобразователем (ADC). Как только в цифровой области начинается реальная работа обработки сигнала. Цифровой сигнальный процессор (DSP) должен отменить искажения, вносимые волоконным каналом: хроматическая дисперсия (CD), дисперсия в режиме поляризации (PMD), нелинейные эффекты Kerr, шум усилителя и лазерный фазовый шум.

Обычные цепи DSP опираются на детерминированные алгоритмы. Например, эквалайзер «подача-передачи» (FFE) использует нажатые линии задержки и фиксированные коэффициенты для отбеливания импульсной реакции канала. Эквалайзеры обратной связи принятия решений (DFE) добавляют путь обратной связи для отмены интерсимволических интерференций после курсора (ISI). Оценка последовательности с максимальной вероятностью (MLSE) ищет наиболее вероятную переданную последовательность, но ее сложность экспоненциально возрастает с порядком модуляции и памятью канала. В когерентных приемниках стандартны методы, такие как восстановление носителя, компенсация хроматической дисперсии с использованием эквалайзеров частотной области (FDE) и адаптивное выравнивание с помощью алгоритма постоянного модуля (CMA).

Несмотря на их повсеместность, эти классические методы имеют хорошо известные ограничения. Они полагаются на линейные модели, что делает их по своей сути неоптимальными в нелинейных режимах — именно там, где современные оптоволоконные связи работают для максимизации пропускной способности. Их коэффициенты обычно обучаются на начальной стадии и обновляются медленно, ограничивая отзывчивость к быстрым переходным процессам. Они также требуют точного знания импульсной реакции канала, которая редко бывает стационарной на практике. Эти проблемы создают естественное открытие для основанных на данных адаптивных подходов машинного обучения.

Как машинное обучение улучшает обработку оптических сигналов

Машинное обучение предлагает принципиально другую парадигму: вместо того, чтобы предполагать фиксированную модель канала, алгоритмы ML изучают отображение из искаженного сигнала для очистки данных непосредственно из примеров. Это позволяет им захватывать нелинейности, адаптироваться к изменяющимся во времени нарушениям и даже обнаруживать функции, которые инженеры, возможно, не думали включать. Методы машинного обучения, применяемые к оптическим приемникам, могут быть широко классифицированы в категории контролируемого, неконтролируемого, полуконтролируемого и усиленного обучения, причем глубокие нейронные сети (DNN) являются наиболее эффективными.

Надзорное обучение для уравнивания и обнаружения

В контролируемом обучении модель обучается парам входных признаков (например, значениям отобранного сигнала) и известным целевым меткам (передаваемым символам). Общие задачи включают выравнивание уровня символа, где модель выводит оценку переданного символа, и обнаружение уровня последовательности, где модель выводит наиболее вероятную последовательность. Свёрточные нейронные сети (CNN) хорошо подходят для выравнивания, поскольку они могут захватывать локальные временные паттерны. Рекуррентные нейронные сети (RNN), особенно сети с длинной кратковременной памятью (LSTM), преуспевают в моделировании зависимостей на большие расстояния в сигнале, таких как вызванные хроматической дисперсией. Широко цитируемое исследование показало, что эквалайзер на основе LSTM может превзойти обычный DFE на несколько dB в нелинейном режиме для сигналов 32-Gbaud PAM-4.

Неконтролируемое и самоконтролируемое обучение

Неконтролируемые методы обучения, такие как автокодеры, использовались для сквозного обучения всей системы связи - от формирования передатчика до выравнивания приемника - без необходимости явных меток. Автокодер учится компактному представлению сигнала, который реконструирует вход с минимальным искажением. Это может привести к новым конструкциям созвездий, оптимизированным для конкретных нарушений канала. Самоконтролируемые подходы, такие как контрастное обучение, также были изучены для изучения надежных функций из немаркированных данных сигнала, которые затем могут быть точно настроены для задач нисходящего потока.

Усиление обучения для адаптивного контроля

Обучение усилению (RL) менее распространено в DSP оптического приемника, но имеет перспективы для адаптивных проблем управления, таких как настройка кранов эквалайзера в реальном времени для оптимизации долгосрочной метрики вознаграждения (например, минимальной частоты ошибок бита). Агенты RL могут изучать политики, которые динамически адаптируются к изменяющимся условиям канала, таким как изменение мощности запуска или колебания температуры, без необходимости явной модели.

Глубокие нейронные сети на практике

Несколько архитектур оказались особенно эффективными:

• Связные нейронные сети (CNN): Используются для временного выравнивания и извлечения признаков со скоростью символа. Они являются вычислительно эффективными и могут быть реализованы с умеренными аппаратными ресурсами. Одномерные CNN (1D-CNN) непосредственно обрабатывают сигнал временной области.
• Резервные вычисления: Тип рекуррентной сети с фиксированными случайными внутренними весами и линейным считыванием, поддающимся обучению. Особенно привлекательна для оптических приемников из-за низкой сложности обучения и пригодности для аппаратной реализации (например, в фотонных резервуарах).
• Комплексно-ценные нейронные сети: Оптические сигналы по своей сути сложны (фазовые и квадратурные компоненты). Сложные нейронные сети (CVNN) обрабатывают эти компоненты естественным образом, сохраняя фазовую информацию и часто опережая реально-значные сети с удвоенными параметрами.
• Генеративные состязательные сети (GAN) : Используется для увеличения данных — генерирования реалистичных синтетических данных сигналов в дополнение к небольшим обучающим наборам — и для обнаружения аномалий в оптическом мониторинге производительности.

Преимущества машинного обучения в оптических приемниках

Преимущества интеграции ML в обработку оптического сигнала приемника выходят за рамки простого повышения производительности. Они позволяют использовать новые возможности, которые ранее были непрактичными:

• Усиление скорости битовых ошибок (BER) Производительность : эквалайзеры ML могут уменьшить BER на порядки по сравнению с линейными эквалайзерами в сильно нелинейных режимах. Например, в дисперсионно-неуправляемых ссылках эквалайзеры на основе глубокого обучения показали улучшение чувствительности приемника на 1-2 дБ.
• Совместная компенсация нарушений: Одна модель ML может обрабатывать хроматическую дисперсию, нелинейность и лазерный фазовый шум одновременно, тогда как классические методы обрабатывают их независимо. Этот совместный подход оптимизирует общую производительность.
• Адаптивная операция в реальном времени: модели ML могут быть непрерывно адаптированы с использованием онлайн-обучения, автоматически отслеживая дрейфы каналов без необходимости использования символов пилота или обучения с остановкой запуска.
• Модели ML могут выводить не только декодированные биты, но и метрики доверия (оценки неопределенности), что позволяет интеллектуально управлять сетью и прогнозировать обслуживание.
• Масштабируемость к более высоким ставкам Бода: Поскольку показатели символов превышают 100 ГБ, классические эквалайзеры становятся непомерно сложными из-за большого количества кранов. Модели ML могут достигать сопоставимой или лучшей производительности с гораздо меньшим количеством параметров при правильной подготовке.
• Сокращение времени разработки новых систем: вместо алгоритмов ручной работы для каждой новой формы нарушения инженеры могут обучать модели, основанные на данных, измерениям из фактической развернутой линии, ускоряя время выхода на рынок.