[论文解读] Silicon photonic-electronic neural network for fibre nonlinearity compensation

Chaoran Huang, Shinsuke Fujisawa+13 more|arXiv (Cornell University)|Oct 11, 2021

Neural Networks and Reservoir Computing参考文献 54被引用 283

一句话总结

本文提出了一种可重构的硅基光子-电子神经网络，可在10,080公里的跨洋光传输系统中实现光纤非线性畸变的实时补偿。通过在CMOS兼容平台上集成马赫-曾德尔谐振器（MZR）和可调谐光子神经元，构建光子神经网络，该系统实现了与GPU上基于软件的深度学习相当的Q因子增益，展示了亚纳秒级处理速度和低功耗，适用于高速率信号处理。

ABSTRACT

In optical communication systems, fibre nonlinearity is the major obstacle in increasing the transmission capacity. Typically, digital signal processing techniques and hardware are used to deal with optical communication signals, but increasing speed and computational complexity create challenges for such approaches. Highly parallel, ultrafast neural networks using photonic devices have the potential to ease the requirements placed on the digital signal processing circuits by processing the optical signals in the analogue domain. Here we report a silicon photonice-lectronic neural network for solving fibre nonlinearity compensation of submarine optical fibre transmission systems. Our approach uses a photonic neural network based on wavelength-division multiplexing built on a CMOS-compatible silicon photonic platform. We show that the platform can be used to compensate optical fibre nonlinearities and improve the signal quality (Q)-factor in a 10,080 km submarine fibre communication system. The Q-factor improvement is comparable to that of a software-based neural network implemented on a 32-bit graphic processing unit-assisted workstation. Our reconfigurable photonic-electronic integrated neural network promises to address pressing challenges in high-speed intelligent signal processing.

研究动机与目标

• 解决长距离、高速率光通信系统中的光纤非线性畸变问题。
• 克服数字信号处理（DSP）在实时、高速率光信号处理中面临的计算与功耗限制。
• 开发一种光子神经网络（PNN）平台，实现千兆赫兹带宽、低延迟的模拟实时推理。
• 证明在单个硅基光子芯片上集成完整神经网络功能（加权、求和与非线性激活）的可行性。
• 实现与高端GPU上基于软件的神经网络相当的性能，同时在速度和能效方面具备硬件优势。

提出的方法

• 采用CMOS兼容的硅基光子平台，利用马赫-曾德尔谐振器（MRR）作为可调谐光子权重，实现线性运算。
• 采用基于MRR的Lorentzian形响应特性的集成光子神经元，实现可重构的激活函数。
• 集成片上光电探测器（硅基锗）和电子元件（电阻、电容），实现全光子-电子集成。
• 使用N掺杂光导热电极调节MRR的谐振波长，实现可编程的突触权重。
• 采用混合架构，将预训练的人工神经网络（ANN）参数上传至光子芯片以执行推理。
• 采用波分复用（WDM）技术，实现在同一芯片上对多个信号通道的并行处理。

实验结果

研究问题

• RQ1 全集成的光子-电子神经网络能否实现光纤非线性补偿的实时、高速率信号处理？
• RQ2 与GPU上运行的基于软件的深度学习模型相比，硬件实现的光子神经网络在Q因子增益方面表现如何？
• RQ3 具有可重构激活函数的光子神经元在多大程度上能够建模光纤链路中的复杂非线性畸变？
• RQ4 该光子神经网络能否在10,080公里跨洋传输系统中保持信号完整性并实现低延迟？
• RQ5 在实际信号处理任务中，该光子神经网络在神经元数量和网络深度方面的可扩展性如何？

主要发现

• 该光子神经网络在10,080公里跨洋传输系统中实现的Q因子增益，与在32位GPU加速工作站上运行的基于软件的神经网络相当。
• 系统实现了光信号在模拟域的实时处理，处理延迟仅受限于波导中光的传播速度，支持亚纳秒级操作。
• 光子神经元中采用Lorentzian形响应函数，能够精确建模光纤传输中的非线性扰动，在仿真中优于Leaky ReLU。
• 随着第二隐藏层神经元数量的增加，Q因子增益持续提升，证实了网络在容量增加时可更精确地建模复杂非线性畸变。
• 随着网络规模扩展，光子-电子集成芯片表现出极低的附加延迟，性能保持稳定，证明了其在实时应用中的可扩展性。
• 该平台可通过电调谐实现激活函数和突触权重的可重构，支持多种信号处理任务的可编程性。