FPGA Implementation of Deep Neural Network Based Equalizers for High-Speed PON
贝尔实验室的文章
部署在FPGA上的固定节点的神经网络均衡器接收机灵敏度性能要优于MLSE均衡器在下行50G PON场景下。
色散产生了接收信号的非线性
神经网络结构
OOK信号 全连接 ReLU函数 输出层节点数为2的时候，不是one-hot的方案，而是并行处理两个symbol，引文[5]
实验装置
PRBS15
中心波长：1342nm（有色散）
光纤长度：30km
色散积累量：83ps/nm
DAC：88GS/s 8bit
exact data rate：50.2857Gb/s
接收端眼图畸变严重，因为带限和色散
测量数据以及权值和偏置值先存储在SD卡存储器中，然后读入DDR4存储器，最后装入FPGA fabric进行在线DNN处理。Petalinux是Xilinx FPGA上的嵌入式Linux，它被用作操作系统(OS)来处理存储器、存储器和FPGA结构之间的数据流，以及用户命令的接口。
使用PRBS15不会出现神经网络过拟合的情况，因为同时处理两个信号，只要输出层节点数小于28就行。
DSP：
MLSE抽头个数 6
DNN均衡结果和FPGA资源利用情况
|
sensitivity penalty |
DNN 1 outperforms MLSE BER=1×10-2 |
DNN 1 outperforms DNN 2 BER=1×10-3 |
|
30km |
0.7dB |
0.6dB |
|
BTB |
0.2dB |
|
使用并行方案penalty很小，再增加输出节点数（超过2）性能就变差了。
为了增加处理速率，四个DNN同时处理数据，表1里面是DNN1和DNN2的资源利用率比较，结论是DNN2没占太多资源但是速率快一倍。