应用分享丨基于机器学习的下行100G PAM-4 PON新型均衡器
发布时间：2024-04-11 09:58:23 热度：855
4/11/2024，光纤在线讯，机器学习，特别是深度学习，在光通信领域的应用愈发广泛。其强大的模式识别能力优化了信号处理算法，大幅提升了数据传输质量和速度。通过机器学习算法，能更精准地预测和补偿光纤中的非线性效应和信号衰减，实现更远的传输距离和更高的信号质量。随着科技的不断进步，光通信网络正变得更为智能和自适应。机器学习算法能实时分析网络状态，动态调整光信号传输参数，以适应网络负载和物理条件的变化，从而提高数据处理效率，降低能耗和成本。同时，机器学习也增强了光通信网络的可靠性和安全性。通过持续监控网络性能，机器学习算法能迅速定位故障点，减少停机时间，还能检测异常流量模式，有效防范网络攻击和数据泄露。机器学习与光通信的结合为通信技术发展注入了新动力，引领着革命性的变革。
基于机器学习的高效均衡器设计，提升100G PAM-4 PON系统性能
接入网络中的数据流量持续增长，因此需要无源光网络（PONs）的数据速率超越10 Gb/s。尽管最近已经达成了50G强度调制直接检测（IMDD）PON标准，但已经有关100 Gb/s的研究工作正在进行。在如此高速的PON中，色散会导致接收信号产生非线性失真，最好通过数字信号处理（例如前馈/决策反馈均衡器）来处理。一种实用的100G PON实现方案是基于25G电吸收调制（EAM）技术，并结合半导体光放大和PAM-4调制方式。使用可实现的前馈/决策反馈均衡器，即23个前馈和2个决策反馈的滤波器长度，并结合强大的前向纠错（FEC）技术，可以应对>31.5 dB的光路径损耗（OPL）。
基于机器学习的均衡方法，如深度神经网络（DNN）[1,3]，在处理线性失真时表现出与FFE和Volterra均衡器类似的性能，但在非线性区域表现更强[3]。在光网络终端（OLT）中使用助推放大器，以18 dBm的发射光功率（LOP），使用20G级电光器件，在DNN辅助的100G IMDD PON中，可以实现30 dB的损耗预算。在[3]中采用了马赫-曾德尔调制器。实际的PONs使用的是电吸收调制器（EAM），它会产生啁啾，导致脉冲信号的时域延展。除了色散之外，来自激光源的线宽扩展和频率波动，以及机械振动引起的物理干扰都可能导致PON中潜在的残余时间抖动，进而影响到光信号的传输质量和稳定性。
本文介绍了一种创新的均衡器设计——FC-SCINet，将频率校准（FC）技术与采样卷积和交互网络（SCINet）相结合，用于下行100G PAM-4 PON系统中的信号处理，其光传输损耗（OPL）为28.7 dB。通过结合FC和SCINet，不仅能够有效地对复杂的时间动态进行时序建模[4]，还能够支持对信号频谱属性进行微调。FC-SCINet在处理色散（CD）方面表现出显著的改善，其性能超越了使用9/21-tap FFE和3层DNN的系统，在11 km的传输距离上，FC-SCINet至少实现了87.5%的误码率（BER）改善。FC-SCINet对EAM chirp、残余时间抖动和Kerr非线性表现出强大的鲁棒性，在5 km传输距离上，相较于使用FFE和DNN的系统，误码率改善了88.87%（在FEC限制为10-2时)，降低了约 10.577% 的复杂度水平。因此，FC-SCINet 在性能改善的同时，更为高效地利用了系统资源。
FC-SCINet均衡器及系统仿真研究与性能评估
使用VPItransmissionMaker软件对1550nm下行100G PON进行了仿真。在OLT发射机中，使用了55 GHz带宽的EAM，其透射特性和啁啾特性与[5]中描述的相同，由一个使用矩形脉冲整形的电PAM-4信号发生器驱动。发射激光器，设置了以下参数：线宽为1 MHz，侧模分隔为200 GHz，侧模抑制比为100 dB，相对强度噪声为-130 dB/Hz。发射光功率设置为10 dBm，以考虑总的光传输损耗为28.7 dB。对于光网络单元（ONU）接收机进行了模拟，采用了55 GHz带宽的雪崩光电二极管。其热噪声为10-12 A/sqrt(Hz)，包括击穿噪声，响应度为0.9 A/W，倍增系数为8，电离系数为0.4；接着是一个传输导纳放大器TIA，其传输导纳为100欧姆，以及一个增益为10 dB的电后置放大器。发送驱动器和后置放大器均包括20-12A/sqrt(Hz)的电流噪声谱密度。收发器（transceiver）中的滤波器采用了4阶贝塞尔类型进行建模。
为了防止比较FC-SCINet和低复杂度DNN时发生比特模式识别，从而导致性能估计过高，采用了一种随机不重复的数字序列（RNS）。对于深度神经网络（DNN），探索了从2到16的隐藏层，每个隐藏层的神经元数量不同，范围从4到128。同时比较了Sigmoid和ReLU激活函数。滑动时间窗口方法使用了不同的前置和后置窗口大小（从4到64）进行评估。其他DNN参数包括批处理大小为32，学习率为10-5，L2 正则化，以及均方误差（MSE）作为损失函数。FC-SCINet和DNN的训练数据集是每个光纤距离的220 × 30个RNS迭代，以每个符号1个样本的方式同步和下采样。其中15%的数据用于测试，10%用于验证。为了比较，模拟了传统的、低复杂度的决策导向式FFE，采用了9和21个有限脉冲响应（FIR）滤波器阶段，并使用最小均方算法来调整滤波器系数。对于传输链路，我们考虑了两种情况：
1）仅包括色散（CD）；
2）一个更加现实的情况，包括所有的失真，例如CD、Kerr诱导的非线性、发射机啁啾和时间抖动，称为“Realistic”。在两种情况下都考虑了标准单模光纤，其损耗为0.2 dB/km，色散系数为16 ps/nm/km，色散斜率为8 ps/nm/km。对于第二种情况，考虑了Kerr非线性系数为2.6?20 m2/W。采用高斯分布模拟了每个生成符号的时间抖动，其均方根为0.1，标准偏差为0.5。
图1. (a) 展示了创新的FC-SCINet均衡器的框图。(b) 显示了50个传输（目标）/接收连续样本的时间/频率域表示，分别显示了FC和SCInet的影响。
FC-SCINet模型介绍
FC-SCINet的目标是通过捕获接收信号X中由信道/收发器效应引起的失真模式，实现对传输信号Y的最佳映射。FC-SCINet由三个关键组件组成：Preprocess、Decomp和SCIBlock，如图1(a)所示。
每个组件描述如下：
基于FC-SCINet的机器学习，均衡方案仿真结果
在仿真结果中，FC-SCINet的性能在直接计数误码率（Monte-Carlo）方面与DNN/FFE进行了比较，采用了1个样本每符号（SpS）和220个符号的固定OPL为28.7 dB的不同距离。对于每个距离，DNN的优化得到了前后窗口大小为16，以及由60、64和18个神经元组成的3个隐藏层。较高数量的隐藏层在使用ReLU或sigmoid激活函数时导致了性能的过度估计，而神经元数量的影响几乎可以忽略不计。
在Case 1）CD场景中，FC-SCINet相对于FFE/DNN显著提高了CD容忍度，在11 km处与9个脉冲响应（FFE）和3层DNN相比，误码率（BER）改善了87.5%。在9 km处，图1(b)展示了FC-SCINet的有效性，展示了50个连续时间域样本及其相应频谱的随机代表性集合。FC和SCINet的结合能力协同地导致了频谱形状（峰峰值幅度压缩）和时间脉冲变窄，从而提高了传输序列的预测准确性。图2(d)展示了9 km处的BER色彩图，突出显示了用于优化的两个关键超参数：互动器的级别和窗口大小。在这个距离上，当窗口大小设置为64且级别设置为3时，达到了最佳的BER。此外，图2(c)显示了对应的接收PAM-4星座图，表明误差主要发生在FC-SCINet发挥其显著补偿影响的高幅度区域。值得注意的是，与FFE相比，DNN表现出较差的性能，因为系统处于低信噪比的线性状态，而DNN通常在非线性状态下表现优异。对于Case 2）Realistic场景，在存在额外效应如EAM啁啾、残余时间抖动和Kerr非线性的情况下，FC-SCINet表现出强大的性能。对于达到10-2的FEC极限的情况下，与FFE/DNN相比，可实现88.87%的BER改善。
图2. (a)，(b) 展示了FC-SCInet、DNN、FFE和无均衡的情况下的误码率与距离的关系，分别针对Case 1-2（CD-Realistic）。(c) 展示了Case 1（CD）在9 km处的接收星座图。(d) 展示了Case 1（CD）在9 km处的FC-SCInet窗口大小和互动器级别的误码率颜色图。
FC-SCINet的复杂性与最佳3层DNN [60，64，18个神经元]之间进行了比较，使用的度量标准是每个符号的实际乘法次数（RMpS）[6]。通过RMpS与中位误码率（mBER）的乘积来表征误码率和复杂性之间的权衡，称为PRB。表1提供了RMpS、PRB及其实例的分析表达式。从RMpS值来看，FC-SCINet相比所采用的DNN可减少10.577%的复杂性。
表1：RMpS、mBER和PRB的比较
VPItoolkit ML Framework插件库，引领通信技术革新
VPI提出了一种基于FC-SCINet的新型均衡器，适用于28.7 dB OPL的下行100G PAM-4 PON。FC-SCINet表现出对CD的显著容忍性，在11 km传输距离上相比于9/21-tap FFE和3层DNN，达到了最低87.5%的BER改进。FC-SCINet的架构在捕获和有效解决CD引起的光谱和时间脉冲失真方面表现突出。在存在EAM啁啾、残余时间抖动和Kerr非线性的情况下，FC-SCINet表现出显著的稳健性，在5 km处的BER比FFE和DNN改善了88.87%，同时提供了10.577%的较低复杂度。
在本文中，作者利用VPI软件的强大仿真能力，针对下行100G PAM-4 PON系统进行了深入探究。通过集成VPItoolkit ML Framework插件库，作者成功设计了一款基于机器学习的均衡器——FC-SCINet。这款均衡器能够精准捕捉并处理光信号中因色散产生的复杂失真，从而在高速PON系统中实现了显著的性能提升。
这一创新成果不仅为光通信系统的设计提供了新的思路与工具，更彰显了VPI软件及VPItoolkit ML Framework插件库在光通信仿真领域的卓越地位与重要价值。广大光通信领域的研究人员和工程师们，借助VPItransmissionMaker软件及其VPItoolkit ML Framework插件库，可以更加深入地开展研究工作，实现更多创新突破，共同推动光通信技术的持续发展与进步。
关于ML Framework插件库，可以参考历史文章《VPIphotonics推出VPItoolkitTM ML Framework插件库，助力光学系统设计与深度学习优化》
References
1. N. Kaneda, et al., “FPGA Implementation of Deep Neural Network Based Equalizers for High-Speed PON,” In Proc. OFC 2020, T4D.2.pdf.
2. R. Borkowski, et al., “World’s first field trial of 100 Gbit/s flexible PON (FLCS-PON),” In Proc. ECOC 2020, pp. 1–4.
3. L. Yi, et al., “Machine Learning for 100 Gb/s/lambda Passive Optical Network,” IEEE JLT 37(6), 1621-1630 (2019).
4. M. Liu, et al., “SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction,” arXiv preprint arXiv:2106.09305v3, 2022.
5. K. Zhang, et al., “Performance comparison of DML, EML and MZM in dispersion-unmanaged short reach transmissions with digital signal processing,” Opt. Exp. 26 (26), 34288-34304 (2018).
6. P. J. Freire, et al., “Performance Versus Complexity Study of Neural Network Equalizers in Coherent Optical Systems,” IEEE JLT 39(19), 6085-6096 (2021).
基于机器学习的高效均衡器设计，提升100G PAM-4 PON系统性能
接入网络中的数据流量持续增长，因此需要无源光网络（PONs）的数据速率超越10 Gb/s。尽管最近已经达成了50G强度调制直接检测（IMDD）PON标准，但已经有关100 Gb/s的研究工作正在进行。在如此高速的PON中，色散会导致接收信号产生非线性失真，最好通过数字信号处理（例如前馈/决策反馈均衡器）来处理。一种实用的100G PON实现方案是基于25G电吸收调制（EAM）技术，并结合半导体光放大和PAM-4调制方式。使用可实现的前馈/决策反馈均衡器，即23个前馈和2个决策反馈的滤波器长度，并结合强大的前向纠错（FEC）技术，可以应对>31.5 dB的光路径损耗（OPL）。
基于机器学习的均衡方法，如深度神经网络（DNN）[1,3]，在处理线性失真时表现出与FFE和Volterra均衡器类似的性能，但在非线性区域表现更强[3]。在光网络终端（OLT）中使用助推放大器，以18 dBm的发射光功率（LOP），使用20G级电光器件，在DNN辅助的100G IMDD PON中，可以实现30 dB的损耗预算。在[3]中采用了马赫-曾德尔调制器。实际的PONs使用的是电吸收调制器（EAM），它会产生啁啾，导致脉冲信号的时域延展。除了色散之外，来自激光源的线宽扩展和频率波动，以及机械振动引起的物理干扰都可能导致PON中潜在的残余时间抖动，进而影响到光信号的传输质量和稳定性。
本文介绍了一种创新的均衡器设计——FC-SCINet，将频率校准（FC）技术与采样卷积和交互网络（SCINet）相结合，用于下行100G PAM-4 PON系统中的信号处理，其光传输损耗（OPL）为28.7 dB。通过结合FC和SCINet，不仅能够有效地对复杂的时间动态进行时序建模[4]，还能够支持对信号频谱属性进行微调。FC-SCINet在处理色散（CD）方面表现出显著的改善，其性能超越了使用9/21-tap FFE和3层DNN的系统，在11 km的传输距离上，FC-SCINet至少实现了87.5%的误码率（BER）改善。FC-SCINet对EAM chirp、残余时间抖动和Kerr非线性表现出强大的鲁棒性，在5 km传输距离上，相较于使用FFE和DNN的系统，误码率改善了88.87%（在FEC限制为10-2时)，降低了约 10.577% 的复杂度水平。因此，FC-SCINet 在性能改善的同时，更为高效地利用了系统资源。
FC-SCINet均衡器及系统仿真研究与性能评估
使用VPItransmissionMaker软件对1550nm下行100G PON进行了仿真。在OLT发射机中，使用了55 GHz带宽的EAM，其透射特性和啁啾特性与[5]中描述的相同，由一个使用矩形脉冲整形的电PAM-4信号发生器驱动。发射激光器，设置了以下参数：线宽为1 MHz，侧模分隔为200 GHz，侧模抑制比为100 dB，相对强度噪声为-130 dB/Hz。发射光功率设置为10 dBm，以考虑总的光传输损耗为28.7 dB。对于光网络单元（ONU）接收机进行了模拟，采用了55 GHz带宽的雪崩光电二极管。其热噪声为10-12 A/sqrt(Hz)，包括击穿噪声，响应度为0.9 A/W，倍增系数为8，电离系数为0.4；接着是一个传输导纳放大器TIA，其传输导纳为100欧姆，以及一个增益为10 dB的电后置放大器。发送驱动器和后置放大器均包括20-12A/sqrt(Hz)的电流噪声谱密度。收发器（transceiver）中的滤波器采用了4阶贝塞尔类型进行建模。
为了防止比较FC-SCINet和低复杂度DNN时发生比特模式识别，从而导致性能估计过高，采用了一种随机不重复的数字序列（RNS）。对于深度神经网络（DNN），探索了从2到16的隐藏层，每个隐藏层的神经元数量不同，范围从4到128。同时比较了Sigmoid和ReLU激活函数。滑动时间窗口方法使用了不同的前置和后置窗口大小（从4到64）进行评估。其他DNN参数包括批处理大小为32，学习率为10-5，L2 正则化，以及均方误差（MSE）作为损失函数。FC-SCINet和DNN的训练数据集是每个光纤距离的220 × 30个RNS迭代，以每个符号1个样本的方式同步和下采样。其中15%的数据用于测试，10%用于验证。为了比较，模拟了传统的、低复杂度的决策导向式FFE，采用了9和21个有限脉冲响应（FIR）滤波器阶段，并使用最小均方算法来调整滤波器系数。对于传输链路，我们考虑了两种情况：
1）仅包括色散（CD）；
2）一个更加现实的情况，包括所有的失真，例如CD、Kerr诱导的非线性、发射机啁啾和时间抖动，称为“Realistic”。在两种情况下都考虑了标准单模光纤，其损耗为0.2 dB/km，色散系数为16 ps/nm/km，色散斜率为8 ps/nm/km。对于第二种情况，考虑了Kerr非线性系数为2.6?20 m2/W。采用高斯分布模拟了每个生成符号的时间抖动，其均方根为0.1，标准偏差为0.5。
图1. (a) 展示了创新的FC-SCINet均衡器的框图。(b) 显示了50个传输（目标）/接收连续样本的时间/频率域表示，分别显示了FC和SCInet的影响。
FC-SCINet模型介绍
FC-SCINet的目标是通过捕获接收信号X中由信道/收发器效应引起的失真模式，实现对传输信号Y的最佳映射。FC-SCINet由三个关键组件组成：Preprocess、Decomp和SCIBlock，如图1(a)所示。
每个组件描述如下：
基于FC-SCINet的机器学习，均衡方案仿真结果
在仿真结果中，FC-SCINet的性能在直接计数误码率（Monte-Carlo）方面与DNN/FFE进行了比较，采用了1个样本每符号（SpS）和220个符号的固定OPL为28.7 dB的不同距离。对于每个距离，DNN的优化得到了前后窗口大小为16，以及由60、64和18个神经元组成的3个隐藏层。较高数量的隐藏层在使用ReLU或sigmoid激活函数时导致了性能的过度估计，而神经元数量的影响几乎可以忽略不计。
在Case 1）CD场景中，FC-SCINet相对于FFE/DNN显著提高了CD容忍度，在11 km处与9个脉冲响应（FFE）和3层DNN相比，误码率（BER）改善了87.5%。在9 km处，图1(b)展示了FC-SCINet的有效性，展示了50个连续时间域样本及其相应频谱的随机代表性集合。FC和SCINet的结合能力协同地导致了频谱形状（峰峰值幅度压缩）和时间脉冲变窄，从而提高了传输序列的预测准确性。图2(d)展示了9 km处的BER色彩图，突出显示了用于优化的两个关键超参数：互动器的级别和窗口大小。在这个距离上，当窗口大小设置为64且级别设置为3时，达到了最佳的BER。此外，图2(c)显示了对应的接收PAM-4星座图，表明误差主要发生在FC-SCINet发挥其显著补偿影响的高幅度区域。值得注意的是，与FFE相比，DNN表现出较差的性能，因为系统处于低信噪比的线性状态，而DNN通常在非线性状态下表现优异。对于Case 2）Realistic场景，在存在额外效应如EAM啁啾、残余时间抖动和Kerr非线性的情况下，FC-SCINet表现出强大的性能。对于达到10-2的FEC极限的情况下，与FFE/DNN相比，可实现88.87%的BER改善。
图2. (a)，(b) 展示了FC-SCInet、DNN、FFE和无均衡的情况下的误码率与距离的关系，分别针对Case 1-2（CD-Realistic）。(c) 展示了Case 1（CD）在9 km处的接收星座图。(d) 展示了Case 1（CD）在9 km处的FC-SCInet窗口大小和互动器级别的误码率颜色图。
FC-SCINet的复杂性与最佳3层DNN [60，64，18个神经元]之间进行了比较，使用的度量标准是每个符号的实际乘法次数（RMpS）[6]。通过RMpS与中位误码率（mBER）的乘积来表征误码率和复杂性之间的权衡，称为PRB。表1提供了RMpS、PRB及其实例的分析表达式。从RMpS值来看，FC-SCINet相比所采用的DNN可减少10.577%的复杂性。
VPItoolkit ML Framework插件库，引领通信技术革新
VPI提出了一种基于FC-SCINet的新型均衡器，适用于28.7 dB OPL的下行100G PAM-4 PON。FC-SCINet表现出对CD的显著容忍性，在11 km传输距离上相比于9/21-tap FFE和3层DNN，达到了最低87.5%的BER改进。FC-SCINet的架构在捕获和有效解决CD引起的光谱和时间脉冲失真方面表现突出。在存在EAM啁啾、残余时间抖动和Kerr非线性的情况下，FC-SCINet表现出显著的稳健性，在5 km处的BER比FFE和DNN改善了88.87%，同时提供了10.577%的较低复杂度。
在本文中，作者利用VPI软件的强大仿真能力，针对下行100G PAM-4 PON系统进行了深入探究。通过集成VPItoolkit ML Framework插件库，作者成功设计了一款基于机器学习的均衡器——FC-SCINet。这款均衡器能够精准捕捉并处理光信号中因色散产生的复杂失真，从而在高速PON系统中实现了显著的性能提升。
这一创新成果不仅为光通信系统的设计提供了新的思路与工具，更彰显了VPI软件及VPItoolkit ML Framework插件库在光通信仿真领域的卓越地位与重要价值。广大光通信领域的研究人员和工程师们，借助VPItransmissionMaker软件及其VPItoolkit ML Framework插件库，可以更加深入地开展研究工作，实现更多创新突破，共同推动光通信技术的持续发展与进步。
关于ML Framework插件库，可以参考历史文章《VPIphotonics推出VPItoolkitTM ML Framework插件库，助力光学系统设计与深度学习优化》
References
1. N. Kaneda, et al., “FPGA Implementation of Deep Neural Network Based Equalizers for High-Speed PON,” In Proc. OFC 2020, T4D.2.pdf.
2. R. Borkowski, et al., “World’s first field trial of 100 Gbit/s flexible PON (FLCS-PON),” In Proc. ECOC 2020, pp. 1–4.
3. L. Yi, et al., “Machine Learning for 100 Gb/s/lambda Passive Optical Network,” IEEE JLT 37(6), 1621-1630 (2019).
4. M. Liu, et al., “SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction,” arXiv preprint arXiv:2106.09305v3, 2022.
5. K. Zhang, et al., “Performance comparison of DML, EML and MZM in dispersion-unmanaged short reach transmissions with digital signal processing,” Opt. Exp. 26 (26), 34288-34304 (2018).
6. P. J. Freire, et al., “Performance Versus Complexity Study of Neural Network Equalizers in Coherent Optical Systems,” IEEE JLT 39(19), 6085-6096 (2021).
