“这项人工智能研究通过深度学习和进化算法彻底改变了硅马赫-泽尔德调制器的设计”
This AI research revolutionizes the design of the Silicon Mach-Zehnder modulator through deep learning and evolutionary algorithms.
由于Netflix和物联网的普及以及向分布式计算和存储架构的转变,网络传输容量需求不断增长。在网络成本较高的短距离应用中,尤其难以满足这种容量需求。例如,高速光互连(OI)可实现广泛分布的超大规模数据中心之间的连接。光发射器,其中电光调制器起着核心作用,是这种类型系统的关键组件,无论是从成本还是性能的角度来看。锂铌酸盐调制器在长距离和都市系统中被广泛使用,表现出卓越的性能,但由于其占地面积大和材料成本高而无法与相关的电子设备高效集成。
近年来,集成光子学一直是这个领域的研究重点。由于其与互补金属氧化物半导体(CMOS)的兼容性,硅(Si)光子学不仅可以与电子阶段实现前述的单片集成,还可以利用其制造知识和成熟的制造基础设施,成为实施低成本和高性能光调制器的高潜力平台。
光通信系统的关键组件之一,硅(Si)马赫-曾德尔(MZM)调制器的性能极限正在高速应用中进行测试。然而,典型的优化方法需要过多的时间和资源才能实现高性能配置,这是由于设计因素的数量庞大以及建模这些器件的复杂性。研究人员建议采用基于启发式优化和人工神经网络的新方法,以大幅简化优化过程。
一个深度神经网络模型替代了基于三维电磁模拟的基于Si的MZM。然后,利用这个模型来估计启发式优化器(差分进化方法)中的优势因子。他们将这种技术应用于与CMOS兼容的MZM,并发现了在诸如电光带宽、插入损耗和半波电压等领域改进了以前已建立的最佳实践的新配置。由于硅是一种半导体,它可以通过注入和提取自由载流子来创建依赖等离子体色散效应(PDE)的位相移器。基于肋波导的相位移器需要结构折射率的八个电控制。使用微环谐振器(MRR)、迈克尔逊调制器(MM)和马赫-曾德尔调制器(MZM)的干涉仪都可以使用硅相位移器来操纵干涉图案。
尽管MRR和迈克尔逊干涉仪调制器(MIM)的占地面积小,能耗少,且在调制信号方面效率高,但其带宽受到严重限制。相比之下,尽管相对较大的占地面积和较高的功耗,MZM在高速系统中提供了调制带宽、功耗和插入损耗之间的最佳平衡。除了已经提到的好处外,与MRR和MIM相比,MZM具有更高的热耐久性和调制信号中明显更小的啁啾。
由于与CMOS的互操作性,硅光子学已成为实施MZM的有前途的基板。然而,由于硅的电光效应不佳,利用这种技术的MZM需要进行广泛的优化,尽可能研究多个设计方面,以发挥其全部潜力。研究人员提出了一种基于人工神经网络和差分进化的优化策略来实现这一目标。
与在通用工作站上进行的传统仿真相比,所提出模型的推理时间缩短了七个数量级。多代理优化,特别是使用大规模种群数量和优化参数调整的DE,由于执行时间的显著缩短而成为可能。利用所建议的ANN建模和DE优化的组合,新型MZM配置的性能优于通过偶然得到的配置。这是首次使用ANN创建集成MZM。所得结果令人着迷,并展示了所提出设计方法的潜力;然而,该工作可以扩展到更复杂的MZM模型,例如包括电极相关参数,或测试其他启发式优化算法,例如粒子群优化或遗传算法。对经过优化的调制器系统性能的检查,包括实验结果,将在后续研究中进行展示。