具有时空局部性感知的自适应混合光电互连技术，用于可重构阵列处理器 作者：Bowen Yang, Yong Li, Rui Shan, Junyong Deng, Yu Feng

《Sensors》：Spatiotemporal Locality-Aware Adaptive Hybrid Optoelectronic Interconnect for Reconfigurable Array Processors Bowen Yang, Yong Li, Rui Shan, Junyong Deng and Yu Feng

　　摘要：随着数据密集型应用持续扩展可重构阵列处理器（RAPs）的规模，片上电子网络（NoCs）越来越多地受到能量-延迟瓶颈的限制，这主要是由于RC延迟的约束。混合光电NoCs（HONoCs）面临一个根本性的媒介选择难题：光电路交换会导致长流程的微秒级设置开销，而静态距离阈值无法捕捉流量的时空异质性，从而导致突发流的波长浪费和非稳态负载下的拥塞扩散。本文提出了一种具有时空局部性的自适应交换框架。我们引入了时空局部性指数（TSLI）将流量分类为亲电型（EF）、亲光型（PF）和混合敏感型（HF），并提出了跨层拥塞熵（CCE）来统一电气和光资源状态。基于这些指标，自适应媒介选择状态机（AMSSM）在电主导（EDM）、电光协同（EOSM）和光主导（ODM）模式之间动态切换，而加权多维媒介匹配（WMMM）算法执行细粒度的信道选择。预测性光路径供应（POPP）机制通过趋势感知的预建立进一步减少了设置延迟。在8×8网格HONoCs上的评估表明，与非静态阈值相比，饱和吞吐量提高了22%，能量-延迟积（EDP）降低了38%，平均延迟减少了57%。所提出的机制为高效的片上互连提供了理论基础和工程范式。

1. 引言
数据密集型计算工作负载的激增——包括深度神经网络（DNN）训练/推理、高效视频编码（HEVC）和大规模科学模拟——促进了可重构阵列处理器（RAPs）的发展，作为一种克服传统固定功能架构灵活性的有前景的范式。RAPs的特点是通过可编程交换结构互连的处理元素组（PEGs）阵列，提供了硬件级别的适应性，从而实现算法到硬件的映射，以提高能效和性能[1,2]。然而，随着半导体技术节点进展到14纳米以下，这些系统的通信子系统成为了关键的瓶颈。在实现HEVC编码或CNN推理的现代RAPs中，PEGs之间的数据传输可能消耗超过50%的总执行周期，并显著增加总体能耗[3,4]。

传统的片上电子网络（NoCs）面临根本的物理限制，这些限制了它们的可扩展性。电气互连的RC延迟随传输距离线性增加，而动态能耗由于长导线的电容充电而随距离呈二次方增长[5,6,7]。此外，在高时钟频率下，趋肤效应增加了有效电阻，相邻导线之间的串扰加剧了信号完整性问题。这些效应共同形成了一个“通信能量墙”，限制了纯粹电气多核系统的实际规模[8,9]。

硅光子学为片上通信提供了一个令人信服的替代方案，它利用光子载波，其传播速度接近每秒数米，衰减微不足道且传输能量与距离无关。基于微环谐振器（MRRs）和硅调制器的光互连可以实现超过电气互连10倍的带宽密度[10,11]。然而，在RAPs中实际部署光互连引入了媒介选择难题：由于缺乏实用的光缓冲，光学电路交换（OCS）是片上光子学的主要范式，它需要微秒级的设置时间（包括MRR的热调谐（通常为1-2秒）、波长分配仲裁和收发器同步[12,13]。这种设置开销导致了不对称的成本结构：只有当流量持续时间较长时，光传输才有效，使得设置能量可以在多个比特上分摊。对于短突发流量（SBFs），强制光传输会导致负的能量效率和延迟膨胀。相反，被错误分类为电气路径的长连续流量（LSFs）会导致缓冲区积累、队列头部阻塞和电气结构中的拥塞扩散[14,15,16]。

现有的HONoCs设计主要采用静态距离阈值（例如，“如果曼哈顿距离小于X跳数则使用光”）或简单的延迟比较[17,18]。这些方法存在三个关键限制：（1）时间盲性——它们忽略流量持续时间和突发性，将一个10比特的控制包与一个1000比特的数据流视为相同；（2）空间刚性——静态阈值无法适应动态网络拥塞或波长可用性；（3）层间碎片化——电气缓冲区占用率和光波长利用率独立监控，导致全局次优决策，例如“光资源闲置而电气缓冲区溢出”或“波长浪费在不足的流量上”。

2. 问题表述
考虑一个由节点组成的混合光电NoCs，这些节点排列在2D网格拓扑中，每个节点都维护具有缓冲区容量的电气端口和支持通过WDM的波长之光学端口[19,20,21]。数据流被定义为从源点开始并在目标点终止的一系列数据包，其特征如下：
（i）空间跨度——曼哈顿距离；
（ii）时间特性——开始时间、观察到的持续时间和平均到达率（比特/周期）；
（iii）负载特性——总有效载荷和突发性。

媒介选择决策（0：电气，1：光）必须最小化一个综合成本函数，同时满足以下条件：
1. 光资源约束——波长保守；
2. 电气容量约束——避免拥塞；
3. 设置摊销约束——如果流量持续时间较长，则必须满足预期，其中表示端到端延迟，表示能耗，表示资源占用率，是应用依赖的权重。

3. 提出的方法和贡献
为了解决媒介选择难题，同时尊重片上路由器（KB级存储、纳秒级控制延迟）的严格资源约束，本文提出了一个具有时空局部性 awareness 的自适应框架，其贡献如下：
首先，我们通过引入时空局部性指数（TSLI）建立了严格的理论基础，这是一个无量纲指标，它统一了空间跨度和时间持续性：
（1）其中表示源节点和目标节点之间的曼哈顿距离，表示观察到的流量持续时间（时钟周期），表示平均比特到达率（比特/周期）。从信息论的角度来看，量化了流在时空域中的分布熵。低指数表示适合光传输的集中、持续的流量，高指数表示适合电传输的分散、突发流量。我们推导出基于跨层拥塞状态动态调整的分类阈值，从而实现精细分类为亲电型流量（EF）、亲光型流量（PF）和混合敏感型流量（HF）。
其次，我们提出了跨层拥塞熵（CCE），这是一个统一指标，融合了电气缓冲区分布熵和光波长利用率熵：
（2）这解决了电气和光资源监控之间的碎片化问题，提供了异构资源竞争的全局视图。
第三，我们设计了自适应媒介选择状态机（AMSSM），具有三种操作模式——电主导模式（EDM）、电光协同模式（EOSM）和光主导模式（ODM），并具有基于滞后效应的抗振荡机制和动态阈值调整。在EOSM中，加权多维媒介匹配（WMMM）算法在四个维度上评估候选者：传输能量效率（TEE）、链路可用性（LA）、媒介亲和力匹配（MAM）和拥塞规避权重（CEW），实现了一个适用于硬件的5周期流水线。
第四，我们引入了预测性光路径供应（POPP），它利用（亲光流比率）的二阶趋势分析在数据到达之前预建立光路径，将OCS从反应式转变为预测式。光逃逸机制在电气缓冲区超过临界阈值时提供紧急拥塞缓解。

广泛的评估表明，与非静态流量相比，所提出的机制在饱和吞吐量上提高了22%，能量-延迟积（EDP）减少了38%，平均延迟降低了57%，同时仅需要1.3 KB的参数存储和12周期的推断延迟用于轻量级预测引擎。

4. 背景和相关工作
4.1. 混合光电NoCs架构
光子学与CMOS电子学的集成已从简单的点对点链接发展为复杂的网络架构。Luo等人[24]和Agarwal等人[25]的早期工作奠定了使用基于微环谐振器的交换的光学NoCs的可行性。后续架构如Firefly[26]、TAONoC[27]和WRONoC[28]采用了分层方法，其中电气网格处理短距离、突发流量，而光学全局链接管理长距离、高带宽通信。然而，这些架构主要采用静态分配策略。例如，Firefly使用电气网络进行集群内通信，使用光学网络进行集群间通信，基于固定距离阈值。这种静态划分未能考虑动态流量变化，导致资源利用率不佳。Yao等人[29]的最新工作探索了动态波长分配，但依赖于简单的延迟比较而非系统化的流量特征分析。

4.2. 异构互连中的流量管理
NoCs中异构资源的管理通过各种视角进行。传统的电气NoCs中的自适应路由使用本地拥塞信息（缓冲区占用率、交叉开关竞争）动态选择路径[30,31]。然而，这些技术仅限于单层优化，未能解决电光边界问题。机器学习方法已被提出用于数据中心网络流量预测，利用LSTM或Transformer架构捕获长距离依赖性[32]。然而，这些模型通常需要MB级别的参数存储和数百个周期的推断时间，违反了片上路由器控制平面的微秒级时间限制。轻量级替代方案如指数加权移动平均（EWMA）在非静态流量模式下存在显著预测延迟（平均绝对百分比误差>38%[14]），因此需要结构化的时空模型来平衡准确性和硬件可行性。

4.3. 理论基础
从信息论的角度来看，网络流量可以建模为具有时空相关性的随机过程。流量源的熵率表征了其可预测性和突发性。然而，现有的NoCs文献缺乏将这些信息论属性与物理媒介选择联系起来的原则性框架。我们的工作通过将TSLI解释为时空熵的度量，从而将媒介选择建立在基本信息论基础上。

5. 时空局部性和跨层拥塞
5.1. 时空局部性指数：理论基础
时空局部性指数（TSLI）基于流量传输效率的第一原理推导而来。考虑一个穿越距离为d的流量，持续时间为t，平均速率为r。传输的总比特数为N。光传输的效率取决于设置开销与有用传输时间的比率：
（3）为了使光传输优于电传输（其规模与d成正比），盈亏平衡条件要求：
（4）其中C_t是一个与技术相关的阈值，包含d、t和r。这激发了以下定义：
（5）从信息论的角度来看，将时空域视为二维概率空间。空间熵表示目的地的分布，而时间熵表示到达模式。对于点对点流量，与空间跨度和时间持续性的乘积成反比，作为联合时空熵的代理。低熵（在空间和时间上集中）意味着适合电路交换光路径的可预测、流式行为；高熵意味着适合分组交换电气路径的分散、不可预测行为。

动态阈值调整：静态阈值无法适应网络负载变化。我们基于跨层拥塞推导出动态阈值：
（6）（7）其中ρ_e和ρ_o分别是电气和光资源的平均利用率，θ是敏感性系数。当电气拥塞增加时（ρ_e的增加），ρ_o增加，有效地降低了EF流量迁移到光路径的障碍（亲电放松）。相反，当光资源变得稀缺时（ρ_o减小），ρ_o增加，防止了过早的光分配。

5.2. 跨层拥塞熵
传统的NoCs独立监控电气和光层，导致决策碎片化。电气层报告缓冲区占用率，而光层报告波长使用率。独立优化会导致局部最优解：一个电气端口可能被拥塞（ρ_e>1），而光波长保持空闲，或者波长可能被分配给边际流量，同时电气缓冲区溢出。
电气层熵：对于具有n输出端口的路由器，标准化占用率分布定义为：
（8）该分布的香农熵衡量了负载平衡：
（9）ρ indication表示绝对热点（所有流量集中在一个端口上），而ρ_indication表示完美均匀分布。然而，仅ρ_indication不足：即使容量为95%的均匀分布仍然存在拥塞。因此，我们结合了平均利用率。光层熵：同样，对于波长利用率，低值表示波长集中（特定波长的热点），而高值表示分散（波长分布在许多端口上，可能会对宽频谱流量造成阻塞）。统一的跨层指标：我们提出跨层拥塞熵（CCE）作为加权组合：其中将熵标准化到某个值，权重满足某些条件（通常是固定的）。从CCE得出的三个拥塞区域指导系统行为如下：低拥塞——两层都保持平衡且利用率低。系统采用简单启发式方法（电传输用于EF，光传输用于PF）以最小化控制开销；中拥塞——一层或两层出现不平衡。系统为高频流量（HF）激活完整的WMMM评估以进行负载平衡；高拥塞——资源极度稀缺。系统通过预留的紧急波长为电传输热点提供光传输路径；如果预留的光传输容量也耗尽，系统则回退到基于信用的电传输背压，暂停注入直到局部拥塞缓解。

6. 自适应控制机制
6.1. 自适应介质选择状态机（AMSSM）
AMSSM实现了一个基于迟滞的有限状态机，以观测窗口的粒度运行。状态空间转换基于光敏流比例（分类为PF的流量比例）和跨层拥塞熵。
图1中显示的状态定义和不变量：
图1. AMSSM的状态转换图。
模式1：电主导模式（EDM）。进入条件——满足某些条件。不变量：对所有流量类型都成立。策略——EF流量：立即进行电传输。HF流量：除非目标端口已占用，否则进行电传输。PF流量：除非满足特定条件（很少发生），否则进行电传输。光层：置于待机状态；降低激光偏置以节省静态功率。紧急情况例外：如果任何电端口在持续时间内保持某种状态，则触发光传输逃逸。
模式2：电光协同模式（EOSM）。进入条件——满足某些条件。不变量：利用率平衡，两种介质都处于活跃状态。策略——EF流量：默认电传输。PF流量：默认光传输，并进行PPOP预建立。HF流量：进行完整的WMMM评估（5周期流程）。光层：对预测的PF流量进行积极预配置。
模式3：光主导模式（ODM）。进入条件——满足某些条件（同时满足其他条件）。不变量：对非EF流量适用。策略——EF流量：只有在光波长耗尽时才进行电传输。HF/PF流量：光传输，延长保持时间。光层：实现最大利用率；电层保留用于控制和紧急情况。

抗振荡机制：为了防止在流量波动下状态频繁切换（EDM?EOSM?ODM），我们实现了一个饱和计数器，要求连续满足转换条件的窗口数达到一定数量才能改变状态。转换逻辑包括迟滞带。EDM→EOSM：需要满足上升趋势的条件。EOSM→ODM：需要满足上升的CCE条件。ODM→EOSM：需要满足下降趋势的条件，同时满足某个条件（或光波长耗尽）。EOSM→EDM：需要满足下降趋势的条件，且连续三个窗口均满足条件。

动态阈值调整：阈值根据CCE进行调整，其中某个参数控制敏感度。随着拥塞增加，系统降低光传输的障碍，以缓解电传输压力。

6.2. 加权多维介质匹配（WMMM）
在EOSM模式下运行时（或任何模式下的HF流量），系统需要在候选通道中进行细致的选择。WMMM从四个维度评估每个候选通道（电端口或光波长）：
维度1：传输能量效率（TEE）。通过通道传输流量的能量效率如下计算：
对于光通道，分子（预测的流量持续时间）确保短流量因固定的设置成本而受到惩罚。
维度2：链接可用性（LA）。通道的即时容量如下计算：
对于光通道，计数特定路径上可用的波长数量，同时考虑波长连续性约束。
维度3：介质亲和性匹配（MAM）。流量特性与介质属性的对齐情况如下：
指示函数确保只有当预测的持续时间能够覆盖设置时间时才考虑光通道。指数形式在接近阈值时提供平滑的区分度。
维度4：拥塞规避权重（CEW）。基于层特定拥塞的动态惩罚如下计算：
当某一层出现高熵（负载不平衡）时，CEW降低该层的分数，将流量引导到较不拥堵的介质。

综合评分和选择。最终分数是各维度的加权和：
默认权重平衡了能量效率、即时性、亲和性和负载平衡。选择得分最高的通道；在得分相等的情况下，优先选择电传输路径以节约光资源。

硬件流程：WMMM实现为一个四阶段流程。阶段1：参数获取（TSLI、CCE、缓冲区状态）——1周期。阶段2：并行计算TEE/LA/MAM/CEW——2周期（通过LUT进行指数近似）。阶段3：加权累积——1周期（DSP48 MAC）。阶段4：比较树——1周期（找出最大值）。总延迟：5周期 @ 250 MHz = 20 ns，符合路由器微架构流程。

6.3. 预测光路径提供（POPP）
为了克服延迟惩罚，POPP预测即将到来的PF流量并预先建立光路径。预测利用光敏流比例的趋势分析在观测窗口上进行。

趋势分析——一阶差分：二阶差分：
预建立触发条件：
1. （足够的PF需求）。
2. 并且趋势上升。
3. 目标频率位于前%（按预测需求排名前25%的目标）。

保持时间管理：预先建立的路径预留时长如下：
为了防止因预测失败导致的资源浪费，实施指数退避策略——连续预测失败后采取相应措施。

光传输逃逸机制：当电端口经历严重拥塞时，系统绕过正常的WMMM评估，强制流量通过以下路径：
1. 可用的预先建立的光路径（最快的逃逸方式）。
2. 如果没有可用路径，则通过预留的控制波长进行快速设置（紧急设置，绕过正常仲裁）。
这种机制起到安全阀的作用，防止电传输缓冲区溢出和潜在的网络死锁，同时在极端负载下提供平滑的降级。

7. 实验评估
7.1. 实验方法
我们使用一个涵盖多个抽象层次的综合性仿真框架评估了所提出的机制。
仿真器架构——系统级别：8 × 8网格HONoCs的周期精确SystemVerilog模型，带有RTL级别的路由器微架构。光物理层：MRR热调谐（秒级）、OEO转换（皮焦耳/比特）和波导传播的事件驱动模型。统计框架：通过批量均值方法获得95%置信区间；热身期为10,000周期；每个数据点的测量期为100,000周期。
网络配置——拓扑：8 × 8 2D网格，节点间距2毫米。电层：5端口路由器（4个邻居+本地），每个端口4个VC，每个VC 8个数据包（总共32个数据包），128位数据包，基于信用的流控制，采用轮询仲裁。光层：每个端口32个波长 @ 10 Gbps（总共320 Gbps），电路切换时间为秒级。
工作负载：
1. 合成模式——
随机：均匀随机流量，空间熵最大化。
Transpose：结构化長距离通信。
Hotspot-Center：节点（4,4）和（5,5）接收额外20%的流量，模拟共享内存热点。
Bit-Complement：最大距离通信。
2. 非平稳流量——马尔可夫调制泊松过程（MMPP），状态转移矩阵为，其中状态0（低负载）每周期传输个数据包，状态1（突发）每周期传输个数据包。这模拟了视频编码和DNN层转换的“突发-连续”行为。
3. 应用轨迹——HEVC整数运动估计（IME）参考帧传输，每33毫秒（30帧/秒）产生128 KB的周期性突发。
基准测试：
E-Only：纯电传输NoCs，采用维度顺序路由（XY）。
Static-Opt：固定距离阈值（跳数个光传输）。
No-Prediction：AMSSM + WMMM，采用按需光传输设置（无POPP）。
HEOR-Full：完整的提出系统，包括TSLI、CCE、AMSSM、WMMM和POPP。

7.2. 吞吐量和延迟分析
饱和吞吐量（图2）：在均匀随机流量下，HEOR-Full达到0.22个数据包/节点的饱和吞吐量，相比Static-Opt（0.18）提高了22%，相比E-Only（0.12）提高了83%。在结构化模式下，吞吐量提升更为明显：对于Transpose流量（规则的长距离通信），吞吐量提高了28%（0.32对比0.25），因为TSLI准确识别出适合光传输的持续PF流量。在Hotspot-Center流量下，吞吐量提高了50%（0.21对比0.14），证明了CCE驱动的光传输逃逸在缓解电传输热点方面的有效性。
图2. 不同流量模式下的饱和吞吐量对比。吞吐量提升来自三个因素：（1）消除了长距离PF流量的电传输拥塞，（2）防止了短EF流量的光波长浪费，（3）通过WMMM实现了HF流量的负载平衡。

延迟特性：图3显示了随机流量下的延迟注入率曲线。在低注入率下，所有方案的延迟类似（约40 ns），主要由跳数传输导致。随着负载增加，E-Only的延迟因电传输拥塞而急剧上升，在饱和注入率（0.12）时达到1200 ns。Static-Opt将饱和延迟延迟到0.18注入率，但由于“阈值悬崖”现象，流量略低于距离阈值的流量会在拥挤的电传输路径上竞争，导致延迟 spikes 达到650 ns。
图3. 不同注入率下的平均延迟。HEOR-Full在0.20注入率时保持延迟低于250 ns，随着注入率增加到0.22，延迟逐渐增加到420 ns。在0.15注入率时平均延迟降低了57%（145 ns对比Static-Opt的285 ns），通过以下方式实现：（1）基于TSLI的流量分类消除了长距离流量的电传输拥塞，（2）POPP通过预建立隐藏了秒级的设置时间（有效延迟贡献从1200 ns减少到约150 ns），（3）基于CCE的路由避免了热点积累。

7.3. 能源效率和资源利用率
能量延迟积（图5）：能量延迟积（EDP = 每比特能量 × 平均延迟）提供了一个全面的效率指标。相对于Static-Opt（EDP = 1.0），HEOR-Full在随机流量下达到0.62（提高了38%），在Hotspot-Center流量下达到0.55（提高了45%）。
图5. 不同工作负载下的EDP。能量效率来源于以下方面：
1. 避免了OEO转换——TSLI的分类防止了短EF流量（通常占流量的30%）产生皮焦耳/比特的转换成本。
2. 高效的光传输摊销——PF流量利用光路径，有效能量接近传输极限（每比特皮焦耳），而POPP确保高利用率（87.6%的命中率），防止了闲置预建立路径的浪费。
3. 拥塞缓解——通过防止电传输拥塞，HEOR-Full避免了因背压导致的能量效率低下的重传和空闲周期。
资源利用率指标：在0.15注入率的MMPP流量下：
光传输利用率：HEOR-Full达到81%的波长利用率，而Static-Opt为45%，No-Prediction为58%。改进来自于POPP的预测准确性和TSLI对低效流量的过滤。
预建立效率：POPP实现了87.6%的命中率（实际使用的预建立路径），而过量配置率为8.2%，相比之下基于EWMA的预测命中率为62%，过量配置率为28%。
电缓冲区效率：平均电缓冲区占用率降低了35%，减少了来自SRAM泄漏的静态功率损耗。

EDP对预测准确性的敏感性：图6说明了预测命中率与标准化能量延迟积之间的关系。在POPP的操作点（87.6%的命中率，8.2%的过量配置）下，EDP的惩罚相对理想完美预测（100%的命中率，0%的过量配置）减少了2%。相比之下，基于EWMA的基线（62%的命中率，28%的过量配置）导致EDP膨胀了38%。图6. EDP对预测准确性的敏感性。7.4. 敏感性和鲁棒性分析

TSLI阈值敏感性：在参数变化范围内，性能变化小于8%，表明其对参数选择具有鲁棒性。然而，极端值（小于1.5或大于3.0）会导致15-20%的性能下降，这是由于分类错误所致。

AMSSM稳定性：在快速流量波动（周期小于）的情况下，抗振荡机制可以防止状态抖动，使吞吐量保持在稳态值的5%以内。如果没有饱和度计数器，由于转换开销，吞吐量会下降12%。

可扩展性：TSLI公式在维度上是不可缩放的，因为空间跨度和时间项都与网络规模成正比。但是，需要调整分类阈值以适应平均跳数增加的情况。我们推荐以下缩放规则：其中N是节点总数。通过模拟验证，即使在16 × 16网格（256个节点）的情况下，该缩放也能保持TSLI分类准确性与8 × 8基线水平相差不到3%，同时吞吐量提高了18%，并且保持了静态最优（Static-Opt）方案的性能。由于CCE值的层次聚合，AMSSM的控制开销保持在网络带宽的2%以下。

为了验证各组件的贡献，我们通过系统地禁用每个机制进行了消融研究。如表1所示，TSLI防止了突发流量的分类错误，而CCE避免了局部最优但全局次优的路由选择。WMMM实现了细粒度的信道选择，PPOP隐藏了光学设置的惩罚。值得注意的是，移除光学逃逸机制在热点区域会导致性能灾难性下降，这证实了其作为安全阀的作用。这些结果表明，为了应对介质选择难题，需要所有组件的协同集成。

表1. 鲁棒性分析。

8. 结论与未来工作

本文提出了一种全面的时空局部性感知的自适应框架，适用于可重构阵列处理器中的混合光电NoCs。关键的理论贡献是时间-空间局部性指数（TSLI），它为流分类提供了一个基于信息论的原则性基础，将空间和时间特性统一到一个决策指标中。此外，跨层拥塞熵（CCE）通过提供一个统一的0-1指标来解决异构架构中的资源碎片化问题，该指标用于电光资源竞争。

在架构上的贡献包括：（1）带有滞后机制和动态阈值适应的AMSSM状态机，在负载波动时提供稳定的模式转换；（2）WMMM算法实现跨能量、可用性、亲和性和拥塞维度的硬件高效的多维评分；（3）具有光学逃逸能力的PPOP机制，将光学互连从被动系统转变为预测系统。

实验验证表明，与现有的静态方法相比有显著改进：饱和吞吐量提高了22%，能量延迟积降低了38%，平均延迟减少了57%，尤其是在现代数据密集型应用中的非静态流量环境下表现尤为突出。

尽管所提出的框架取得了显著进展，但仍存在一些局限性。首先，L-GRU预测模型使用了离线训练的权重；长期的工作负载漂移可能需要轻量级的在线适应机制，但这些机制尚未被纳入。其次，光学物理模型理想化了MRR（多路复用器）的行为；未来的工作应该整合详细的热噪声和制造变异模型。此外，将闭环MRR热补偿与AMSSM状态机协同设计可以消除极端模式切换场景下的残余共振漂移。第三，当前评估仅限于2D网格拓扑；将TSLI扩展到3D堆叠架构和非规则拓扑（例如胖树、蜻蜓）是一个重要的发展方向。最后，随着硅光子学向基于芯片片的集成发展，将提出的控制机制与物理层创新（如基于MEMS的快速开关或相变非易失性调谐）协同设计，可以将延迟从微秒级别降低到纳秒级别，从而可能重新定义最佳的TSLI分类边界。这些方向为下一代光电互连研究提供了有希望的途径。