基于剪枝与量化的受限硬件上神经网络光信道均衡器实验实现
系统与控制
2022-03-15 v2 系统与控制
摘要
在下一代光通信系统中，于边缘计算设备上部署基于人工神经网络的光信道均衡器至关重要。然而这仍是一个极具挑战的问题，主要源于高效均衡具有大色散诱导记忆的非线性光信道所需人工神经网络（NNs）的计算复杂度。为在硬件中实现基于 NN 的光信道均衡器，需大幅降低复杂度，同时简化 NN 模型须保持可接受的性能水平。本工作中，我们通过将剪枝与量化技术应用于基于 NN 的光信道均衡器来解决复杂度降低问题。我们采用一个示例 NN 架构——多层感知机（MLP），以减轻标准单模光纤上 30GBd 1000km 传输的损伤，并证明在不明显降低性能的情况下，可将均衡器记忆最多减少 87.12%、复杂度最多减少 78.34%。此外，我们从数字信号处理（DSP）意义上精确界定了压缩 NN 均衡器的计算复杂度。进一步，我们考察了不同 CPU 与 GPU 设置对压缩均衡器功耗与延迟的影响。我们还在两款标准边缘计算硬件单元：Raspberry Pi 4 与 Nvidia Jetson Nano 上实现了精简 NN 均衡器，用于处理通过仿真光纤维系统信号传播所生成的数据，从而对所开发技术进行了实验验证。
引用
@article{arxiv.2109.07204,
title = {Experimental implementation of a neural network optical channel equalizer in restricted hardware using pruning and quantization},
author = {Diego R. Arguello and Pedro J. Freire and Jaroslaw E. Prilepsky and Antonio Napoli and Morteza Kamalian-Kopae and Sergei K. Turitsyn},
journal= {arXiv preprint arXiv:2109.07204},
year = {2022}
}