面向IM/DD光通信在神经形态硬件上的脉冲神经网络非线性解映射
信号处理
2023-03-10 v1
摘要
实现脉冲神经网络(SNN)的神经形态计算是一项有望减小光收发器 footprint 的技术,这正是数据中心流量快速增长所需。本工作中,设计并评估了一种 SNN 非线性解映射器,用于具有色散的强度调制直接检测链路仿真。该 SNN 解映射器在软件以及模拟神经形态硬件系统 BrainScaleS-2 (BSS-2) 上实现。作为对比,考虑了线性均衡(LE)、Volterra 非线性均衡(VNLE)以及由软件实现的人工神经网络(ANN)非线性解映射。在 2e-3 的前向纠错前误码率下,软件 SNN 相较 LE 优 1.5 dB,相较 VNLE 优 0.3 dB,相较 ANN 优 0.5 dB。SNN 在 BSS-2 上的硬件代价仅 0.2 dB,即在硬件上 SNN 也优于所有参考方法的软件实现。因此,本工作表明,在电学模拟硬件上实现的 SNN 解映射器能够完成强大且准确的信号处理,满足光通信的严格要求。
引用
@article{arxiv.2302.14726,
title = {Spiking Neural Network Nonlinear Demapping on Neuromorphic Hardware for IM/DD Optical Communication},
author = {Elias Arnold and Georg Böcherer and Florian Strasser and Eric Müller and Philipp Spilger and Sebastian Billaudelle and Johannes Weis and Johannes Schemmel and Stefano Calabrò and Maxim Kuschnerov},
journal= {arXiv preprint arXiv:2302.14726},
year = {2023}
}
备注
9 pages, 5 figures, accepted for publication by the IEEE/Optica Publishing Group Journal of Lightwave Technology