Beyond Terabit/s Integrated Neuromorphic Photonic Processor for DSP-Free Optical Interconnects

生成式人工智能的快速扩展推动了对高性能计算的前所未见需求。训练大规模人工智能模型如今需要跨多个数据中心的庞大互联GPU集群。多尺度的人工智能训练与推理要求具备统一、超低延迟和高能效的连接，以使大量GPU能够作为一个整体单元协同工作。然而，传统的电学和光学互连技术依赖于传统数字信号处理器（DSP）来补偿信号失真，越来越难以满足这些严格的要求。 为了解决这些限制，我们提出了一种集成的神经形态光学信号处理器（OSP），该处理器利用深度储层计算技术，实现了无需DSP、全光学且实时的信号处理。实验表明，我们的OSP在C波段下通过5公里光纤实现了每通道100 Gbaud PAM4、总速率达1.6 Tbit/s的数据中心互连（相当于O波段下的超过80公里传输距离），远远超过了当前最先进的DSP解决方案的范围，而后者的性能从根本上受限于IMDD系统中的色散问题。同时，我们的OSP将处理延迟降低了四个数量级，并将能耗减少了三个数量级。与在高数据速率下引入更高延迟的传统DSP不同，我们的OSP无论数据速率如何扩展，都能保持一致的超低延迟，这使其非常适合未来的光学互连应用。 此外，OSP保留了完整的光场信息，从而实现更有效的损伤补偿，并能适应各种调制格式、数据速率和波长。通过成熟的硅光子工艺制造，OSP可以与硅光子收发器单片集成，进一步提升了全光互连的紧凑性和可靠性。这项研究提供了一种高度可扩展、节能且高速的解决方案，为下一代人工智能基础设施的发展铺平了道路。

论文试图解决传统电学和光学数字信号处理器（DSP）在高数据速率场景下无法满足AI训练和推理所需的低延迟、低功耗需求的问题。这是一个新兴问题，随着大规模AI模型的快速发展，对高性能计算基础设施的需求变得愈发迫切。

论文提出了一种基于深度储备池计算的神经形态光学信号处理器（OSP），实现了无DSP的全光实时处理。相比传统DSP方法，该方案通过保留完整的光场信息来补偿信号损伤，并能适应多种调制格式、数据速率和波长。这种方法不仅显著提高了传输距离和数据速率，还大幅降低了延迟和能耗。

实验验证了OSP能够在5公里C波段光纤上传输1.6 Tbit/s的数据（相当于O波段80公里），远超现有DSP技术的性能。此外，该方案将处理延迟减少了四个数量级，能耗减少了三个数量级。论文提到OSP可以与硅光子收发器单片集成，从而提升系统的紧凑性和可靠性。目前尚不清楚是否有开源代码或详细的设计文档，但这一研究为未来AI基础设施中的光学互连提供了重要的方向。

近期相关研究包括：1) 基于机器学习的非线性光纤损伤补偿技术；2) 高速硅光子学调制器设计；3) IMDD系统中色散管理的研究。例如，《Machine Learning for Nonlinear Optical Channel Compensation》探讨了使用ML算法进行光纤信道补偿，《High-Speed Silicon Photonics Modulators for Data Centers》则专注于高速硅光子器件的开发。