Implementazione sperimentale di un equalizzatore di canale ottico di rete neurale in hardware limitato utilizzando potatura e quantizzazione

Rapporti scientifici volume 12, numero articolo: 8713 (2022) Citare questo articolo

1355 accessi

3 citazioni

1 Altmetrico

Dettagli sulle metriche

L’implementazione di equalizzatori di canali ottici basati su reti neurali artificiali su dispositivi di edge computing è di fondamentale importanza per la prossima generazione di sistemi di comunicazione ottica. Tuttavia, questo è ancora un problema molto impegnativo, principalmente a causa della complessità computazionale delle reti neurali artificiali (NN) necessarie per l'efficiente equalizzazione dei canali ottici non lineari con grande memoria indotta dalla dispersione. Per implementare l'equalizzatore di canale ottico basato su NN nell'hardware, è necessaria una sostanziale riduzione della complessità, mentre dobbiamo mantenere un livello di prestazioni accettabile del modello NN semplificato. In questo lavoro, affrontiamo il problema della riduzione della complessità applicando tecniche di potatura e quantizzazione a un equalizzatore di canale ottico basato su NN. Utilizziamo un'architettura NN esemplare, il perceptron multistrato (MLP), per mitigare i disturbi per la trasmissione di 30 GBd per 1000 km su una fibra monomodale standard e dimostriamo che è possibile ridurre la memoria dell'equalizzatore fino all'87,12% e la sua complessità fino al 78,34%, senza un notevole degrado delle prestazioni. Oltre a ciò, definiamo accuratamente la complessità computazionale di un equalizzatore compresso basato su NN nel senso dell'elaborazione del segnale digitale (DSP). Inoltre, esaminiamo l'impatto dell'utilizzo di hardware con diverse funzionalità di CPU e GPU sul consumo energetico e sulla latenza per l'equalizzatore compresso. Verifichiamo anche sperimentalmente la tecnica sviluppata, implementando l'equalizzatore NN ridotto su due unità hardware standard di edge computing: Raspberry Pi 4 e Nvidia Jetson Nano, che vengono utilizzate per elaborare i dati generati simulando la propagazione del segnale lungo il sistema di fibra ottica .

Le comunicazioni ottiche costituiscono la spina dorsale dell’infrastruttura digitale globale. Al giorno d’oggi, le reti ottiche sono i principali fornitori di traffico dati globale, non solo interconnettendo miliardi di persone, ma supportando anche il ciclo di vita di un numero enorme di diversi dispositivi, macchine e sistemi di controllo autonomi. Uno dei principali fattori che limitano la produttività dei sistemi di comunicazione contemporanei in fibra ottica sono i disturbi di trasmissione indotti dalla non linearità1,2, che emergono sia dalla risposta non lineare del mezzo in fibra che dai componenti del sistema. Le soluzioni esistenti e potenziali a questo problema includono, ad esempio, la coniugazione di fase ottica mid-span, la retro-propagazione digitale (DBP) e la funzione di trasferimento in serie di Volterra inversa, per citare solo alcuni metodi degni di nota2,3,4. Va però sottolineato che nel settore delle telecomunicazioni la competizione tra le possibili soluzioni non avviene solo in termini di prestazioni ma anche in termini di opzioni di implementazione dell’hardware, costi operativi e consumo energetico.

Negli ultimi anni, gli approcci basati su tecniche di machine learning e, in particolare, quelli che utilizzano le NN, sono diventati un argomento di ricerca sempre più popolare, poiché le NN possono srotolare in modo efficiente sia i danni indotti dalla fibra che dai componenti5,6,7,8, 9,10,11,12,13,14,15. Uno dei modi più semplici per utilizzare un NN per la compensazione della corruzione del segnale nei sistemi di trasmissione ottica è collegarlo al sistema come post-equalizzatore7,10,14, uno speciale dispositivo di elaborazione del segnale sul lato ricevitore, volto a contrastare gli effetti dannosi emergenti durante la trasmissione dei dati16. Numerosi studi precedenti hanno dimostrato il potenziale di questo tipo di soluzione7,8. Numerose architetture NN sono già state analizzate in diversi tipi di sistemi ottici (sottomarino, a lungo raggio, metropolitano e di accesso). Queste architetture includono i progetti NN feed-forward come MLP7,10,14,15, considerati nel presente studio, o strutture NN di tipo ricorrente più sofisticate10,11,12,17. Tuttavia, l’implementazione pratica di equalizzatori di canale basati su NN in tempo reale implica che la loro complessità computazionale sia, almeno, paragonabile o, auspicabilmente, inferiore a quella delle soluzioni convenzionali esistenti di elaborazione del segnale digitale (DSP)18, e rimane oggetto di dibattito. Questo è un aspetto rilevante perché le buone prestazioni raggiunte dalle NN sono tipicamente legate all’utilizzo di un gran numero di parametri e di operazioni in virgola mobile10. L'elevata complessità computazionale porta, a sua volta, a requisiti elevati di memoria e potenza di calcolo, aumentando il consumo di energia e risorse19,20. Pertanto, l'uso di metodi basati su NN, pur essendo, senza dubbio, promettente e attraente, affronta una sfida importante nell'equalizzazione dei canali ottici, dove la complessità computazionale emerge come un importante fattore limitante di implementazione in tempo reale10,12,20,21. Notiamo qui che è, ovviamente, ben noto che alcune architetture NN possono essere semplificate senza influenzarne significativamente le prestazioni, grazie, ad esempio, a strategie come la potatura e la quantizzazione19,20,22,23,24,25. Tuttavia, la loro applicazione nell'ambiente sperimentale dell'hardware con risorse limitate non è stata ancora completamente studiata nel contesto di un'equalizzazione coerente del canale ottico. È inoltre necessario comprendere e analizzare ulteriormente il compromesso tra la riduzione della complessità e il degrado delle prestazioni del sistema, nonché l'impatto della riduzione della complessità sul consumo energetico del dispositivo finale.