《Photonics》：High-Precision Lumped-Parameter Thermal Modeling and CNN-LSTM-Based Temperature Prediction for Optical Interconnect Modules
编辑推荐：
针对下一代高速光互连模块中日益增长的功耗与加剧的热耦合所带来的严峻热管理挑战，研究人员提出了一种面向光互连模块的高精度集总参数热建模方法。在所构建的集总参数热模型（LPTM）基础上，开发了一种利用混合卷积神经网络与长短期记忆网络（CNN-LSTM）架构的实时瞬
针对下一代高速光互连模块中日益增长的功耗与加剧的热耦合所带来的严峻热管理挑战，研究人员提出了一种面向光互连模块的高精度集总参数热建模方法。在所构建的集总参数热模型（LPTM）基础上，开发了一种利用混合卷积神经网络与长短期记忆网络（CNN-LSTM）架构的实时瞬态温度预测框架。该LPTM在实现高精度建模的同时降低了计算复杂度。与COMSOL Multiphysics 6.3的仿真结果相比，所提出的LPTM模型对关键组件瞬态温度的平均平均绝对误差（MAE）仅为0.52 °C，平均均方根误差（RMSE）仅为0.69 °C。此外，基于LPTM生成的数据集训练的CNN-LSTM神经网络，在由COMSOL Multiphysics生成的独立瞬态温度测试集上实现了0.34 °C的MAE和0.78 °C的RMSE。所提出的方法成功实现了高精度建模与实时、准确的瞬态温度预测，为下一代光互连系统的热管理提供了坚实的理论基础。
**研究背景与问题**
随着第五代（5G）无线通信、人工智能和云计算的快速发展，数据中心流量需求急剧增长，光互连模块作为数据中心流量的核心传输载体，其热管理是设计中的关键因素。温度升高会导致激光器波长漂移，并降低激光器和调制器等关键器件的性能；高温还会加速器件老化，最终降低数据中心通信系统的整体性能与可靠性。传统上，有限元分析（FEA）方法是硅光子学热传导分析与热设计的主要手段，但随着光互连技术向1.6 T等更高速率演进，组件功耗大幅增加；近封装光学（NPO）和共封装光学（CPO）等新兴架构将交换ASIC与光引擎高度集成，引发复杂的内部热效应和严重的热耦合问题，显著增加了下一代光互连模块热设计与管理的复杂性。在此情况下，FEA计算复杂度高，难以满足复杂系统设计中快速分析和大规模数据生成的需求，限制了热管理的进一步进展。因此，开发高精度、低复杂度的热建模方法成为光互连热设计的重要研究方向。紧凑热网络和降阶热模型是两条代表性低复杂度建模路线，但它们在光互连模块热传导分析中的应用仍然有限。与此同时，基于高精度、低复杂度热建模的实时温度预测具有重要意义：该技术可克服传感器放置物理约束导致的测量盲区，实现关键热点的动态温度预警，并为主动热管理算法提供实时数据支持，从而防止热失效并提高光互连模块和数据中心光链路的整体可靠性。近年来已有相关温度预测研究，例如基于状态空间的卡尔曼预测器用于噪声传感器条件下的实时温度预测，长短期记忆神经网络等机器学习模型用于数据中心房间级温度预测而非光互连模块级，以及针对光子-电子收发器的封装级热分析但未进行瞬态温度预测。由于详细内部温度数据稀缺以及光模块中快速复杂的功率波动，模块级温度预测在很大程度上仍未被探索。
**研究内容与结论**
针对上述需求，研究人员提出了一种面向光互连模块的高精度、低复杂度集总参数热建模方法，并构建了基于CNN-LSTM架构的高效温度预测框架。通过将复杂有限元热场简化为集总节点，LPTM在保持高精度的同时显著降低了相对于FEA的计算复杂度，可实现快速热传导分析和大规模数据生成。利用LPTM生成的瞬态温度数据集，设计并训练了CNN-LSTM神经网络用于瞬态温度预测。研究人员开发了仿真平台，将LPTM与COMSOL Multiphysics仿真进行对比验证，结果表明关键组件瞬态温度的平均MAE和RMSE分别仅为0.52 °C和0.69 °C，证实了LPTM的准确性。此外，所提出的温度预测神经网络的数值评估表明，在COMSOL Multiphysics生成的独立瞬态温度测试集上MAE为0.34 °C、RMSE为0.78 °C。这些结果表明，所提出的CNN-LSTM网络能够实现实时、精确的瞬态温度预测，为未来光互连模块热管理算法的设计与优化奠定了坚实的理论基础。该研究的重要意义在于：LPTM为未来复杂光互连模块提供快速热传导分析能力，其大规模数据生成能力为热管理算法的设计与优化提供理论基础和数据集支持；神经网络的实时预测能力为光互连模块的热管理和资源分配提供关键模型支撑，最终推动数据中心光互连的性能提升与技术演进。
**关键技术方法**
研究人员采用的主要关键技术方法包括：基于电-热类比构建集总参数热模型（LPTM），将温度差映射为电压、热流率映射为电流、热阻映射为电阻、热容映射为电容，将复杂热传导系统简化为由离散节点组成的热RC网络；节点热容由组件密度、比热容和体积直接计算，节点间热阻通过一次性有限元仿真对接触界面热通量积分获得，节点与环境间等效热阻由牛顿冷却定律获得；采用后向欧拉法对热传导微分方程组进行时间离散与迭代求解；热源功率建模采用由两状态（忙-闲）马尔可夫链调制的泊松过程模拟负载强度，并将热源功率分解为静态、动态与噪声三部分；设计由一维卷积（1D-CNN）层、ReLU非线性激活层、LSTM层和全连接（FC）层组成的CNN-LSTM神经网络，并引入分段加权机制修正标准均方误差（MSE）损失函数；验证数据方面，采用COMSOL Multiphysics建立光模块仿真模型并以体积平均温度作为基准，同时参考InnoLight Technology的光模块架构构建实例LPTM，并生成独立的COMSOL瞬态温度数据集用于测试。
**研究结果**
4.1 集总参数热模型的验证：研究人员采用与第2节相同的光模块结构在COMSOL Multiphysics平台建立仿真项目，将激光器芯片、驱动芯片、PD芯片和数字信号处理（DSP）芯片配置为固定功率热源，外壳边界设为对流热通量，进行0至400 s的温升瞬态仿真，并以各组件体积平均温度曲线作为LPTM精度对比基准。根据前述热容与热阻获取方法得到LPTM参数值，其中接触热阻被集总到等效节点间热阻中。对比激光器芯片、驱动芯片、基板1和散热器的温度曲线可见，所有组件温度呈现一致的时间趋势：初始加热阶段温度快速上升，随后内部产热与外部散热逐渐达到动态平衡，温度趋于平缓并最终稳定于稳态值；在瞬态加热阶段和稳态期间，LPTM计算的温度曲线均与COMSOL仿真紧密吻合。定量计算四个关键组件瞬态温度序列的MAE和RMSE，平均值分别仅为0.52 °C和0.69 °C，充分验证了LPTM用于光互连模块热传导分析的准确性和有效性。
4.2 温度预测神经网络的性能测试：激光器是光互连模块的核心器件，其性能对温度变化高度敏感并直接决定模块整体性能，因此该部分主要展示温度预测神经网络在激光器节点上的性能。所提出的CNN-LSTM神经网络输入历史温度和状态窗口长度设为30 s，输出预测温度窗口长度设为10 s。为训练和测试网络，研究人员调整热源功率建模参数建立三种不同场景，生成三个时长各为86,400 s的激光器芯片瞬态温度序列数据集，按8:1:1划分为训练集、验证集和测试集；此外还利用COMSOL Multiphysics为同一光模块生成独立瞬态温度数据集（热源功率采用场景1参数）用于进一步测试。首先在三个LPTM测试集上测试，将各输出序列拼接得到完整预测温度序列，预测序列与真实序列高度吻合，不同场景下MAE和RMSE平均仅为0.36 °C和1.43 °C；RMSE主要受无法从网络输入预测的状态转换区间主导，而在不含状态转换的稳态区间，网络实现了高预测精度，MAE为0.065 °C、RMSE为0.198 °C，表明该CNN-LSTM神经网络实现了高精度温度预测，证实了该架构用于光互连模块实时瞬态温度预测的准确性。随后在COMSOL瞬态温度数据集上进一步测试，预测序列与真实序列高度吻合，MAE为0.34 °C、RMSE为0.78 °C，接近LPTM测试集上的结果（平均MAE 0.36 °C、平均RMSE 1.43 °C），进一步验证了所提出温度预测网络在独立温度预测任务中的准确性。
**讨论与结论**
讨论部分通过两个附加实验考察了所提出温度预测神经网络的鲁棒性。第一个实验对输入温度序列施加加性高斯噪声以代表模块监测器的传感器噪声，比较了原始数据集及标准差为0.10和0.20 °C三个水平；第二个实验将状态序列相对于温度序列进行时间偏移以模拟负载状态估计的失配，比较了对齐情况及+0.2 s、?0.2 s、+0.5 s和?0.5 s偏移五种条件。结果表明：在传感器噪声下整体MAE从0.360 °C增至0.412 °C和0.498 °C；在时间偏移下MAE仅在0.349至0.371之间变化，与对齐值相差约3%以内。因此该温度预测神经网络对温度序列的传感器噪声和负载状态序列的失配均具有很强的鲁棒性。
结论部分译文：为改进光互连模块的热管理，研究人员提出了一种高精度、低复杂度的LPTM方法。在LPTM基础上，进一步提出了用于光互连模块温度预测的CNN-LSTM神经网络架构。通过将LPTM应用于热传导分析，复杂系统被简化为节点网络，在显著降低计算复杂度的同时保持了确保准确分析所需的基本热特性。通过将LPTM的瞬态温度仿真结果与COMSOL仿真结果对比，验证了LPTM的准确性。此外，开发了结合CNN和LSTM架构的混合CNN-LSTM神经网络，利用LPTM生成高质量、大规模瞬态温度数据集，实现神经网络的高效训练和快速部署。所提出的CNN-LSTM神经网络在COMSOL Multiphysics生成的独立测试集上实现了0.34 °C的MAE和0.78 °C的RMSE，证明了其在光互连模块温度预测中的有效性和准确性。LPTM为未来复杂光互连模块提供快速热传导分析，其大规模数据生成能力为热管理算法的设计与优化提供理论基础和数据集支持；同时，神经网络的实时预测能力为光互连模块的热管理和资源分配提供关键模型支撑。总之，所提出的低复杂度、高精度LPTM与CNN-LSTM预测架构改进了下一代光互连模块的热管理技术，最终推动数据中心光互连的性能提升和技术演进。
