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

Título: Redução de Nós através da Otimização Conjunta das Camadas de Entrada e Leitura em Equalização de Reservatório Fotônico

1. Problema

A computação de reservatório fotônico (Photonic Reservoir Computing - PRC) é uma abordagem promissora para a equalização de sinais em comunicações ópticas de alta velocidade, oferecendo baixo consumo de energia e complexidade, pois apenas os pesos de saída (leitura) são treinados, enquanto o reservatório recorrente permanece fixo. No entanto, para atingir um desempenho robusto, especialmente em cenários de transmissão com dispersão cromática e não linearidades, os sistemas PRC tradicionais exigem tamanhos de rede relativamente grandes. Isso resulta em custos de hardware elevados em circuitos fotônicos integrados, onde o número de nós determina diretamente a quantidade de interferômetros, interconexões de guias de onda e sobrecarga de roteamento. A limitação principal é que, ao treinar apenas a camada de saída, a eficiência de aprendizado é baixa, exigindo mais nós físicos para compensar a falta de adaptabilidade na entrada.

2. Metodologia

Os autores investigam se a introdução de uma camada de entrada óptica treinável, otimizada conjuntamente com a camada de leitura, pode alterar o comportamento de escalonamento de nós, permitindo reduzir o tamanho físico do reservatório sem sacrificar o desempenho.

• Arquitetura: O estudo utiliza um equalizador de reservatório fotônico de quatro portas em silício, com camadas de entrada e leitura integradas opticamente. O reservatório é fixo (pesos internos não treináveis), mas a camada de entrada utiliza pesos complexos programáveis (amplitude e fase) implementados por interferômetros Mach-Zehnder (MZIs).
• Simulação Híbrida: Foi utilizado um framework híbrido onde o link de comunicação óptica (incluindo dispersão, não linearidades de Kerr e ruído) foi simulado no VPIphotonics, e o equalizador de reservatório foi simulado na biblioteca Python Photontorch.
• Protocolo de Comparação Justa: Para garantir uma comparação equitativa de complexidade de hardware, os autores compararam:
  1. Um sistema com N nós onde tanto a entrada quanto a saída são otimizadas conjuntamente.
  2. Um sistema com 2N nós onde apenas a saída é otimizada (padrão tradicional).
     Ambos os sistemas utilizam o mesmo número total de pesos treináveis, mas o sistema de otimização conjunta usa metade dos componentes físicos dentro do núcleo do reservatório.
• Cenários de Teste: Simulações cobriram cenários de transmissão IM/DD (Modulação de Intensidade/Detecção Direta) com taxas de símbolo de 28 GBd (NRZ), variando distâncias de fibra (até 200 km), potências de lançamento e níveis de OSNR.
• Políticas de Injeção: Foram testadas diferentes políticas de seleção de nós de entrada: "all" (todos os nós), "center" (nós centrais) e "spread" (nós distribuídos).

3. Principais Contribuições

• Otimização Conjunta: Demonstração de que treinar a camada de entrada óptica junto com a camada de leitura melhora significativamente a eficiência do reservatório.
• Redução de Hardware: Evidência de que é possível reduzir o tamanho do reservatório em 50% (metade dos nós) mantendo um desempenho de equalização comparável a sistemas maiores, desde que a entrada seja treinável.
• Expansão da Memória Efetiva: A abordagem não apenas melhora a não linearidade, mas também estende efetivamente a "memória" do reservatório, resultando em melhorias de mais de três ordens de magnitude em tarefas intensivas de memória.
• Superioridade sobre Equalizadores Clássicos: O sistema otimizado conjuntamente (a partir de 16 nós) supera equalizadores FFE (Feed-Forward Equalizer) e filtros de Volterra de segunda ordem com complexidade de parâmetros equivalente.

4. Resultados

• Desempenho em Função da Distância: Em uma comparação direta, um reservatório de 8 nós com otimização conjunta superou consistentemente um reservatório de 8 nós com apenas leitura treinada, apresentando uma taxa de erro de bit (BER) de 1 a 2 ordens de magnitude menor. Mais notavelmente, o sistema de 8 nós otimizado conjuntamente atingiu um desempenho de BER comparável ao de um sistema de 16 nós com apenas leitura treinada em distâncias de curto a médio alcance.
• Escalonamento de Nós: Em um ponto de operação desafiador (200 km, 15 dBm), o sistema com otimização conjunta mostrou uma melhoria muito mais rápida no BER à medida que o número de nós aumentava. Por exemplo, a configuração "all" com 16 nós atingiu um regime de erro muito menor do que qualquer variante de 16 nós com apenas leitura.
• Eficiência de Parâmetros: Ao plotar o BER contra o número de graus de liberdade treináveis (em vez do número de nós), as arquiteturas com entrada e saída treinadas alcançaram BERs inferiores ou iguais às variantes de apenas leitura, confirmando que o ganho vem da alocação inteligente dos recursos ópticos treináveis, e não apenas do aumento do número de parâmetros.
• Impacto da Política de Entrada: A política de injeção "all" (usar todos os nós de entrada) mostrou a melhor tendência de escalonamento, indicando que a camada de entrada treinável se beneficia de acessar um conjunto mais amplo de canais de injeção para remodelar o mapa de características do reservatório.

5. Significado e Conclusão

Este trabalho demonstra que a otimização conjunta da camada de entrada e saída em reservatórios fotônicos é uma estratégia eficaz para mitigar os custos de hardware em circuitos fotônicos integrados. Ao permitir que a camada de entrada "molda" a forma como o sinal distorcido excita a estrutura de interferência fixa do reservatório, o sistema extrai um mapa de características mais útil para a recuperação do canal.

A implicação prática é direta: para atingir um determinado nível de desempenho de equalização, é possível construir um equalizador fotônico com metade do número de nós e interconexões recorrentes (reduzindo a área e a complexidade de fabricação) se a camada de entrada for treinável. O "custo" dessa redução de hardware é um maior esforço de otimização offline (treinamento), mas isso é vantajoso para aplicações de inferência em tempo real em sistemas de comunicação óptica. O estudo abre caminho para equalizadores fotônicos mais compactos e eficientes para redes de telecomunicação de próxima geração.