Implementação experimental de um equalizador de canal óptico de rede neural em hardware restrito usando poda e quantização

Scientific Reports volume 12, Número do artigo: 8713 (2022) Citar este artigo

1355 acessos

3 Citações

1 Altmétrica

Detalhes das métricas

A implantação de equalizadores de canal óptico baseados em redes neurais artificiais em dispositivos de computação de borda é extremamente importante para a próxima geração de sistemas de comunicação óptica. No entanto, este ainda é um problema altamente desafiador, principalmente devido à complexidade computacional das redes neurais artificiais (NNs) necessárias para a equalização eficiente de canais ópticos não lineares com grande memória induzida por dispersão. Para implementar o equalizador de canal óptico baseado em NN em hardware, uma redução substancial da complexidade é necessária, enquanto temos que manter um nível de desempenho aceitável do modelo NN simplificado. Neste trabalho, abordamos o problema de redução de complexidade aplicando técnicas de poda e quantização a um equalizador de canal óptico baseado em NN. Usamos uma arquitetura NN exemplar, o multi-layer perceptron (MLP), para mitigar as deficiências para transmissão de 30 GBd 1000 km em uma fibra monomodo padrão e demonstramos que é possível reduzir a memória do equalizador em até 87,12% , e sua complexidade em até 78,34%, sem degradação de desempenho perceptível. Além disso, definimos com precisão a complexidade computacional de um equalizador baseado em NN compactado no sentido do processamento de sinal digital (DSP). Além disso, examinamos o impacto do uso de hardware com diferentes recursos de CPU e GPU no consumo de energia e na latência do equalizador compactado. Também verificamos a técnica desenvolvida experimentalmente, implementando o equalizador NN reduzido em duas unidades de hardware de computação de borda padrão: Raspberry Pi 4 e Nvidia Jetson Nano, que são usadas para processar os dados gerados por meio da simulação da propagação do sinal no sistema de fibra óptica .

As comunicações ópticas formam a espinha dorsal da infraestrutura digital global. Atualmente, as redes ópticas são as principais provedoras de tráfego global de dados, não apenas interconectando bilhões de pessoas, mas também suportando o ciclo de vida de um grande número de diferentes dispositivos autônomos, máquinas e sistemas de controle. Um dos principais fatores que limitam o rendimento dos sistemas de comunicação de fibra óptica contemporâneos são as deficiências de transmissão induzidas por não linearidade1,2, que surgem tanto da resposta não linear da mídia de fibra quanto dos componentes do sistema. As soluções existentes e potenciais para este problema incluem, por exemplo, a conjugação de fase óptica mid-span, retropropagação digital (DBP) e função de transferência em série inversa de Volterra, para mencionar apenas alguns métodos notáveis2,3,4. Mas, vale ressaltar que na indústria de telecomunicações, a competição entre possíveis soluções ocorre não apenas em termos de desempenho, mas também em termos de opções de implantação de hardware, custos operacionais e consumo de energia.

Durante os últimos anos, as abordagens baseadas em técnicas de aprendizado de máquina e, em particular, aquelas que utilizam NNs, tornaram-se um tópico de pesquisa cada vez mais popular, pois as NNs podem desenrolar com eficiência as deficiências induzidas por fibras e componentes5,6,7,8, 9,10,11,12,13,14,15. Uma das maneiras simples de usar uma NN para compensação de corrupção de sinal em sistemas de transmissão óptica é conectá-la ao sistema como um pós-equalizador7,10,14, um dispositivo especial de processamento de sinal no lado do receptor, destinado a neutralizar os efeitos prejudiciais surgindo durante a transmissão de dados16. Numerosos estudos anteriores demonstraram o potencial deste tipo de solução7,8. Várias arquiteturas de NN já foram analisadas em diferentes tipos de sistemas ópticos (submarino, longa distância, metrô e acesso). Essas arquiteturas incluem os designs de NN feed-forward, como o MLP7,10,14,15, considerado no estudo atual, ou estruturas NN do tipo recorrente mais sofisticadas10,11,12,17. No entanto, a implantação prática de equalizadores de canal baseados em NN em tempo real implica que sua complexidade computacional é, pelo menos, comparável ou, desejavelmente, menor do que as soluções convencionais de processamento de sinal digital (DSP)18 existentes, e permanece uma questão de debate. Este é um aspecto relevante, pois o bom desempenho alcançado pelas NNs normalmente está ligado ao uso de um grande número de parâmetros e operações de ponto flutuante10. A alta complexidade computacional leva, por sua vez, a altos requisitos de memória e poder computacional, aumentando o consumo de energia e recursos19,20. Assim, o uso de métodos baseados em NN, embora seja, sem dúvida, promissor e atraente, enfrenta um grande desafio na equalização de canais ópticos, onde a complexidade computacional surge como um importante fator limitante da implantação em tempo real10,12,20,21. Notamos aqui que é claro que algumas arquiteturas de NN podem ser simplificadas sem afetar significativamente seu desempenho, graças, por exemplo, a estratégias como poda e quantização19,20,22,23,24,25. No entanto, sua aplicação no ambiente experimental do hardware de recursos restritos ainda não foi totalmente estudada no contexto da equalização de canal óptico coerente. Também é necessário entender e analisar melhor o trade-off entre a redução da complexidade e a degradação do desempenho do sistema, bem como o impacto da redução da complexidade no consumo de energia do dispositivo final.