本技术涉及一种高速信道均衡的时延型储备池计算系统和方法。系统包括信号预处理单元,负责对光纤信道传输的畸变信号进行掩码处理,以获取初始输入信号;以及时延型深度存储单元,用于存储和处理信号。
背景技术
近年来,光纤通信技术在信息社会中发挥着极其重要的作用。信号经过光纤信道后会产生畸变,因此需要进行信道均衡,以恢复所传输的原信号。神经网络技术能有效地进行信道均衡,储备池计算(Reservoir Computing, RC)作为一种模拟生物神经网络原理的新型神经网络架构,以其精简的架构和显著简化的训练流程为特点,有效规避了神经网络方法中收敛缓慢、易陷入局部最优及参数调优复杂等难题。
RC可以巧妙利用现有光学组件和系统平台,通过时分复用的方式,以低硬件成本搭建物理神经网络,这种形式构造的RC被称为时延型储备池计算(Time-Delay ReservoirComputing, TDRC)。这一特性使得TDRC能以硬件的方式更好地集成在光纤通信系统中。
然而,高速信号传输需要TDRC的高速信道均衡,而TDRC架构的运算速度受到了输入端掩模的限制。掩模可以视为输入矩阵,为畸变信号提供更丰富的动态特性。掩模越大,产生的输入信号数据量越大,因此要完成信道均衡任务所需要的时间就越长。减小掩模大小可以实现硬件层面的加速,却会减弱系统的动态能力,导致TDRC性能的下降。为了支持高速且实时的信道均衡任务,迫切需要能够使TDRC进行高速运算,同时尽可能减小性能损失的系统与方法。
经文献检索发现,来自中国的Zheng Li等人于2023年在IEEE Journal ofSelected Topics in Quantum Electronics期刊上发表论文“Packet headerrecognition utilizing an all-optical reservoir based on reinforcement-learning-optimized double-ring resonators(基于增强学习优化的双环谐振器的全光储备池的数据包头识别)”。该文献提出了在输入端用全光硬件编码,以硬件的形式代替传统方法的数字掩模,从而让输入信号能够并行输入到系统中,进而提高TDRC的信息处理速度。此外,通过全光的方式实现,可以减小光电转换所需的时间,进一步提高TDRC的信息处理速度。然而,这种方法增加了在输入端所需要的硬件,这导致系统的总成本上升,并且对未来的集成工艺提出了更高的要求。
又经文献检索发现,来自中国的Junfeng Zhang等人于2023年在Optics Express期刊上发表论文“High-speed parallel processing with photonic feedforwardreservoir computing(光子前馈储备池计算的高速并行处理)”,该文献提出将TDRC在波长维度上进行拓展,通过增大储备池的方式来提高信息处理的能力,在这种方式下,储备池的增大可以减弱由掩模减小带来的性能损失。然而,这种方式需要对不同波长之间的同步进行细致调控。
实现思路