通过自动分组为120Gb/s PAM-8基于DML的IM/DD链接的非均量子化实现高效的神经网络均化

科学领域:

• 光学通信是指光学通信.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 高速光学通信系统依赖于高效的均等化技术.
• 基于直接调制激光 (DML) 的PAM-8系统带来了均衡挑战.
• 神经网络的量化影响硬件效率和性能.

研究的目的:

• 提出和评估一种自动分组的非均量化 (AGNQ) 方法,用于神经网络等级.
• 为了比较AGNQ与传统的统一和二次方位量子化方法.
• 评估AGNQ对120 Gb/s光学系统性能和内存使用的影响.

主要方法:

• 开发了一种支持自动分组的非均定量化 (AGNQ) 推送神经网络 (FNN).
• 在基于DML的PAM-8 IM/DD系统中实现并测试了AGNQ-FNN在120Gb/s,10公里DML的系统中.
• 将AGNQ-FNN比特错误率 (BER) 和内存使用率与统一量子化FNN (UQ-FNN) 和附加功率-两个量子化FNN (APoT-FNN) 进行比较.

主要成果:

• AGNQ-FNN仅使用4位量化实现了比较好的BER性能,低于7%的HD-FEC值.
• 对于类似的性能,UQ-FNN需要10位,APoT-FNN需要8位量子化.
• 与UQ-FNN和APoT-FNN相比,AGNQ-FNN分别减少了47.9%和35.5%的重量和偏差记忆使用.

结论:

• AGNQ-FNN提供了一种硬件友好的解决方案,用于高速度光通信中的高效均等.
• 拟议的量子化方法可以显著减少内存足迹,而不会影响性能.
• AGNQ显示出在短距离光学系统中实际实施的巨大潜力.