Node-reduction through Joint Optimization of Input and Readout Layers in Photonic Reservoir Equalization

Título: Reducción de nodos mediante optimización conjunta de capas de entrada y salida en la ecualización de reservorios fotónicos

1. Problema Abordado

La computación de reservorios fotónicos (Photonic Reservoir Computing - PRC) es un paradigma de aprendizaje automático prometedor para la ecualización de señales de alta velocidad en sistemas de comunicación óptica. Ofrece soluciones de bajo consumo y complejidad, ya que solo se entrenan los pesos de salida (capa de lectura), manteniendo el sistema recurrente fijo.

Sin embargo, existe una limitación fundamental: para lograr un rendimiento robusto, especialmente en enlaces con dispersión cromática y no linealidades, se requieren redes de gran tamaño (muchos nodos). Esto incrementa drásticamente el costo de hardware en circuitos fotónicos integrados, ya que cada nodo requiere elementos interferométricos, interconexiones de guías de onda y overhead de enrutamiento. La pregunta central es si es posible reducir el número de nodos físicos necesarios sin sacrificar el rendimiento de la ecualización.

2. Metodología

Los autores proponen y evalúan un enfoque donde no solo se optimizan los pesos de salida (lectura), sino también la capa de entrada óptica.

• Arquitectura: Se utiliza un ecualizador de reservorio fotónico de cuatro puertos basado en silicio. El núcleo del reservorio es un sistema dinámico fijo (no entrenable) donde la mezcla interna surge de la propagación física en guías de onda.
• Innovación Clave: En lugar de inyectar la señal distorsionada mediante un acoplamiento fijo o aleatorio, se introduce una capa de entrada óptica programable. Esta capa utiliza interferómetros de Mach-Zehnder (MZI) para aplicar pesos complejos (amplitud y fase) a la señal de entrada antes de inyectarla en el reservorio.
• Optimización Conjunta: Se entrena simultáneamente tanto la capa de entrada ($w_{in}$) como la capa de lectura ($w_{out}$) utilizando el algoritmo BFGS, minimizando el error cuadrático medio (MSE).
• Marco de Simulación: Se emplea un marco híbrido:
  • VPIphotonics: Simula el enlace de comunicación óptica (láser, modulador, fibra con dispersión/noise, detección).
  • Photontorch: Simula el comportamiento del reservorio fotónico integrado.
• Comparación Justa: Para validar la reducción de nodos, se comparan dos escenarios con el mismo número total de grados de libertad entrenables (pesos):
  1. Un sistema de N nodos con optimización conjunta de entrada y salida.
  2. Un sistema de 2N nodos con optimización solo de salida (readout-only).
     Nota: El sistema de N nodos utiliza la mitad de los componentes físicos dentro del núcleo del reservorio que el sistema de 2N nodos.

3. Contribuciones Clave

• Reducción de Hardware: Demostración de que la optimización conjunta permite reducir el tamaño del reservorio en un factor de 2 (mitad de nodos) manteniendo un rendimiento de ecualización comparable.
• Extensión de la Memoria Efectiva: Se muestra que entrenar la entrada no solo mejora la no linealidad, sino que extiende efectivamente la memoria del reservorio, logrando mejoras de más de tres órdenes de magnitud en tareas intensivas en memoria.
• Superioridad sobre Métodos Clásicos: Se demuestra que, a partir de 16 nodos, el sistema supera significativamente (1-2 órdenes de magnitud) a ecualizadores feed-forward (FFE) y filtros de Volterra de segundo orden con complejidad comparable.
• Análisis de Políticas de Inyección: Se evalúan diferentes estrategias de selección de nodos de entrada ("all", "center", "spread"), encontrando que la política "all" (todos los nodos) ofrece el mejor escalado.

4. Resultados Principales

Los experimentos se realizaron en escenarios de transmisión IM/DD (Intensidad Modulada / Detección Directa) con señales NRZ de 28 GBd, variando la distancia de la fibra (hasta 200 km) y la potencia de lanzamiento.

• Rendimiento en Distancia: En un escenario de 200 km y 15 dBm de potencia de lanzamiento:
  • Un reservorio de 8 nodos con optimización conjunta logra un BER (Tasa de Error de Bit) similar al de un reservorio de 16 nodos con solo optimización de salida.
  • La mejora en BER es de más de dos órdenes de magnitud en comparación con la variante de 8 nodos sin entrenar la entrada.
• Escalado de Nodos: Al aumentar el número de nodos, los sistemas con optimización conjunta mejoran mucho más rápidamente que los sistemas de solo salida. Por ejemplo, a 24 nodos, el sistema conjunto supera a todos los sistemas de solo salida por varios órdenes de magnitud en BER.
• Eficiencia de Parámetros: Cuando se grafica el BER frente al número de grados de libertad entrenables (pesos reales), las arquitecturas conjuntas alcanzan un BER significativamente menor que las arquitecturas de solo salida con el mismo número de parámetros. Esto confirma que la ganancia proviene de una mejor asignación de recursos ópticos, no solo de un mayor conteo de parámetros.
• Límites: A distancias muy largas (>180 km) o en regímenes de alta no linealidad, la ventaja se reduce, indicando que la optimización conjunta no elimina las limitaciones físicas de memoria del hardware, pero sí maximiza su uso.

5. Significado e Impacto

Este trabajo es fundamental para la viabilidad comercial de la computación fotónica integrada en telecomunicaciones:

• Reducción de Costos: Al permitir reducir el número de nodos a la mitad para un rendimiento dado, se reduce directamente la complejidad del chip, el número de guías de onda, divisores y la huella de área, lo que disminuye los costos de fabricación y las pérdidas de inserción.
• Eficiencia Energética: Menos componentes activos y pasivos implican menor consumo de energía y menor disipación térmica.
• Cambio de Paradigma: Cambia la visión del reservorio fotónico de un sistema donde la entrada es fija/aleatoria a uno donde la interfaz de entrada es un grado de libertad de diseño crítico.
• Compromiso (Trade-off): El beneficio de hardware se logra a costa de un mayor esfuerzo de optimización offline (entrenamiento), pero esto es aceptable dado que el costo de inferencia en tiempo real se reduce drásticamente al tener un núcleo de reservorio más pequeño.

En conclusión, la optimización conjunta de las capas de entrada y salida transforma la escalabilidad de los reservorios fotónicos, permitiendo alcanzar regímenes de ecualización de alto rendimiento con una fracción del hardware fotónico tradicionalmente requerido.