BỘ CÂN BẰNG TÍN HIỆU DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP MỘT CHIỀU CHO HỆ THỐNG THÔNG TIN QUANG CỰ LY NGẮN TỐC ĐỘ 100 Gb/s

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 133 Trong các thiết lập về mô hình, chúng tôi sử dụng cấu trúc tuần tự, đầu tiên là lớp tích chập 1 chiều (Conv1D) với số lượng bộ lọc 𝑁𝐹 thay đổi tuỳ vào các mục đích khảo sát sẽ trượt theo chiều dài 𝑛 chuỗi ký tự vào và tạo ra các bản đồ đặc trưng tương ứng. Ở đây, các lớp tích chập sử dụng hàm kích hoạt ReLU vừa đảm bảo tính đơn giản trong khi vẫn đảm bảo mô hình có thể học các quan hệ phi tuyến của tín hiệu xét. Kỹ thuật Batch Normalization cũng được áp dụng để chuẩn hoá đầu ra lớp trước, giúp ổn định và tăng tốc quá trình huấn luyện. Kế đến là một lớp gộp cực đại 1 chiều (MaxPooling1D), lớp này có vai trò giúp giảm kích thước dữ liệu và khối lượng tính toán cho mô hình nhưng vẫn giữ lại các đặc trưng nổi bật. Cuối cùng, để hạn chế hiện tượng quá khớp (overfitting), một số trọng số sẽ bị loại bỏ ngẫu nhiên bằng cách sử dụng kỹ thuật Drop Out. Sau khi qua lớp làm phẳng, dữ liệu làm phẳng được đưa vào lớp Dense (FC) với số lượng nơ-ron bằng đúng số bộ lọc đã chọn 𝑁𝐹. Sau đó, mô hình thực hiện xác định ký ngõ ra thông qua 4 đầu ra, tương ứng với 4 mức tín hiệu PAM-4, với hàm SoftMax. Bảng 2. Bảng thiết lập cấu trúc và các siêu tham số cho mô hình CNN Thành phần Mô tả Đầu vào Chuỗi 𝑛 ký tự PAM-4, 𝑥𝑘, 𝑥𝑘−1, 𝑥𝑘−2, … , 𝑥𝑘−𝑛−1 Lớp tích chập Conv 1D, kích thước bộ lọc = 2; số lượng bộ lọc 𝑁𝐹 ∈ {8, 16, 32, 64, 128} Chuẩn hoá Batch Normalization Lớp gộp Max Pooling 1D, kích thước = 2 Dropout Tỷ lệ 0.05 Flatten Làm phẳng dữ liệu Dense (FC) 𝑁𝐹 nơ-ron

Output 4 nơ-ron, được mã hóa one-hot: [1 0 0 0], [0 1 0 0], [0 0 1 0], [0 0 0 1], SoftMax Để huấn luyện mô hình cân bằng dựa trên 1D-CNN, chúng tôi xây dựng một cơ sở dữ liệu gồm khoảng 260000 mẫu dữ liệu (từ 218 ký tự PAM-4). Trong đó, mỗi mẫu dữ liệu bao gồm hai phần, ngõ vào với chuỗi 8 ký tự liên tiếp được nhận từ đầu ra của bộ FFE và nhãn của ký tự được mã hóa theo dạng one-hot coding ở ngõ ra như đã trình bày ở trên. Để đảm bảo khách quan trong quá trình đánh giá, cơ sở dữ liệu này được chia thành 2 tập riêng biệt (tránh bị chồng lấn dữ liệu giữa 2 tập), với 75% dữ liệu được dùng cho quá trình huấn luyện và 25% còn lại dành cho kiểm tra. Ngoài ra, dữ liệu đầu vào được chuẩn hoá giúp tất cả các đặc trưng đều có trung bình bằng 0 và độ lệch chuẩn bằng 1 trước khi đưa vào mô hình nhằm tăng độ ổn định của quá trình huấn luyện. Mô hình sử dụng bộ tối ưu Adam với tốc độ học (learning rate) khởi tạo là 10−3 và cứ sau mỗi 10 epoch kể từ epoch 30, tốc độ học được giảm đi 10 lần để giúp mô hình hội tụ nhanh hơn. Batch size được dùng cho quá trình huấn luyện có kích thước là 100.