基于 FPGA 的多层机器学习均衡器及芯片内训练实现
本文提出了一种基于人工神经网络的无监督均衡器及其可训练的 FPGA 实现,通过自适应的方法,该算法能够适应不同的信道条件,并取得了 Gbit/s 级别的吞吐量,超越了高性能 GPU 的表现,是一个实用通讯系统的第一步。
Apr, 2023
本文介绍了一个基于人工神经网络的均衡器的高通量可编程逻辑门阵列实验平台。该平台在实时中展示并运行着一个 30 GBd 的双级脉冲幅度调制光通信系统的均衡化过程。
Feb, 2024
本研究提出一种高性能的基于人工神经网络的均衡器的 FPGA 实现,以满足现代光通信系统的吞吐量要求,并通过变化的并行度度量体现高度灵活性。该实现在光纤通道的比特误码率(BER)上相比传统方法降低了四倍,同时在类似批处理大小下超过 40 GBd 的吞吐量上相比高性能图形处理单元(GPU)提高了三个数量级。
Apr, 2024
首次提出多任务学习用于改进相干系统中基于 NN 的均衡器的灵活性。单个基于 NN 的均衡器与 CDC 相比可提高 Q 因数高达 4dB,无需重新训练,即使发射功率、符号速率或传输距离有变化。
Jul, 2023
我们展示并评估了一种针对 100G 无源光网络的全盲数字信号处理链路,并分析了基于神经网络的低硬件复杂度的不同均衡器拓扑结构。
Jan, 2024
通过频率校准的 SCINet 等化器,在下行 100G PON(被动光网络)中提出用于 28.7 dB 的路径损耗。在 5 公里距离下,相较于 FFE 和 3 层 DNN,FC-SCINet 改善了 BER(误比特率)88.87%,并降低了 10.57% 的复杂度。
Apr, 2024
本研究设计的 EF-Train 是一种高效的 DNN 训练加速器,通过数据重塑,并建立自动计算和内存资源调度的分析模型,在低功耗边缘级 FPGA 上实现端到端的训练,最终达到了 46.99 GFLOPS 和 6.09GFLOPS/W 的吞吐量和能量效率。
Feb, 2022
本研究采用多种人工神经网络,采用 Bayesian optimizer 优化的方式进行非线性通道均衡,使用实验验证了不同神经网络的性能、复杂度和复杂度的权衡,并表明在没有复杂度限制下,CNN + biLSTM 是最佳选项,而在复杂度限制较低时,三层感知器提供最佳性能。
Mar, 2021