2020 Fiscal Year Research-status Report
深層学習を用いた光ファイバ伝送信号の抜本的な品質改善に関する研究
| Project/Area Number |
20K04532
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
植之原 裕行 東京工業大学, 科学技術創成研究院, 教授 (20334526)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 光ファイバ通信 / 光信号伝送 / 深層学習 / 歪補償 |
|---|
| Outline of Annual Research Achievements |
令和２年度は、CNNの条件を詳細に詰める前の段階として、以下の２項目に関して検討を実施することとした。(1)入力信号のサンプリングレートに対する復調性能の確認：入力信号のシンボルレートに対するサンプリングレートに対して、２サンプル／シンボル以上の条件に品質最適条件があるかどうかを確認することを目的とした。(2)学習データの適切な選択方法：機械学習には事前の学習データによるノード数やノード間結合係数の最適条件の設定を行うが、テストデータと異なるものを使うため、同じデータを使った際に復調性能が確認できてもテストデータでは性能が得られないことが報告されている。そのため適切な学習データの考え方を確認してからでないと、CNN条件最適化による性能の評価が正確にできないと考えた。
以上について、人工ニューラルネットワーク（ANN）を使って検討を進めた。その結果を以下に示す。(1)まず, 28Gbaud RZ-16QAM信号に対してANNの補償性能に関する検討を行った結果、 neuron=80～160、epoch=300～500が非線形歪補償に最適であり、使用する活性化関数としてはReLUを用いることが良いことが分かった。また,ANNの入力データのサンプリングレートは4が最適で、同時入力シンボル数は1が最適であることが分かった。(2)異なる種類の学習データで学習したANNを比較した結果,無作為に画像を選んで構成されたISよりも画像相関を考慮し0.5付近の画像同士を選んで構成されたISの方が良い汎化性能となった。しかしながら、ランダム符号を用いるRSと明確な優位性は見られなかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
令和２年度は、当初の目標としていたCNNを用いた光ファイバ伝送信号の非線形歪補償を行う前段階として、ANNを用いた各種パラメータの最適化を行ったうえで、事前学習データを変えてテストデータの歪補償性能が得られる組み合わせ、得られない組み合わせについての検討を進めた。これは、光信号伝送の試験に一般的に用いられる疑似ランダム符号（Pseudo-Random Binary Sequence, PRBS）を学習データとして用い、テストにも同じ符号長のPRBSを用いると過学習と呼ばれる符号生成の規則性を覚え込むことの悪影響が報告されていることが判明したためである。実際に、白色雑音を元の光信号に加えてANN学習・テストデータへの適用を行うと、入力シンボル数に無依存な補償性能が予想されるにもかかわらず、復調信号のEVM（Error Vector Magnitude）が減少する結果が得られている。そのため、今後のCNNでの各種パラメータ最適化後の性能評価に支障があると判断し、比較的簡易な構成のANNを用いた学習・テストデータの選択に関する検討を進めたことが、今後の役に立つと考えた。検討の結果、学習段階では使用言語（Python）のランダム符号生成関数を用いることで、テストデータにPRBSを用いても過学習を抑制できることが判明した。比較として、ランダムな数値列を生成すると考えられる画像データを8B10B符号化し、異なる画像間の相関の考えを導入して相関の低い画像データの学習を進めることで過学習の抑制に効果があることも知見として得ることができた。ただし、ランダム符号による学習との歪補償性能に現時点では明確な際がなく、符号生成の簡易なランダム符号が相対的には優れた学習用のデータであるとの結果が得られた。これらのことは、今後の性能評価の上で意義深いと評価している。
|
| Strategy for Future Research Activity |
ANNに基づいたサンプリングレートの最適条件、学習データに適したデータの選択についておよそ理解が深まったことから、その条件を用いて機械学習による光非線形歪復調性能の改善度を明確にしていく。具体的には、以下の計画で進める予定である。
・ANNでのある程度の性能改善がすでに分かってきているため、引き続きANNでの復調性能についてEVMを評価指標に数値解析の検討を進める。
・性能比較対象として、既存技術として評価されているDigital Backpropagation（DBP）法を選択し、EVM改善性能を求め、ANNとの比較検討を行う。
・以上の結果を基本に、CNNでの性能改善の可能性を検討する。ANNよりも性能が改善され、線形な領域でのシャノン限界に近づく可能性を追究するため、２次元CNNを検討のターゲットに据えており、その具体的な信号処理内容を検討していく。１次元CNNでは時間軸方向に対するある特定のシンボルの電界振幅・位相情報を入力し、出力にて正しい入力シンボルに近づけるNN内部のパラメータ最適化をしていくが、異なるシンボル間との距離や重なり具合から判別するには限界がある。２次元で異なる複数のシンボル間での相対位置の関係性から、１次元より復調性能の確度を向上可能かどうかを考えていくことから、独自の信号処理範囲や適用手順が存在すると考えられる。いくつかの想定される手法について復調性能を算出し、最も性能が得られる手法の確立を目指す。
|
