一种能够实现每秒太比特级实时均衡的全光信号处理器

《SCIENCE》：An all-optical signal processor enabling terabit-per-second real-time equalization

　　

编辑总结

光互连技术能够为人工智能数据中心提供高带宽的连接能力，但其在延迟（数据传输前的等待时间）以及信号均衡的数字处理方面仍有提升空间。王等人设计了一种全光集成信号处理芯片，该芯片能够对多通道信号进行均衡处理，实现每秒1.6太比特的数据传输速率。这种芯片突破了数字处理带来的带宽色散限制，能够实时补偿收发器和光纤中的线性和非线性缺陷，其能效可达每比特67.5飞焦耳，延迟则为55皮秒。——菲尔·苏罗米

结构化摘要

引言

生成式人工智能的快速发展对计算基础设施提出了前所未有的需求。大规模模型需要大量图形处理单元协同工作，而这些单元往往分布在多个数据中心中。为了使这种分布式训练高效运行，数据在各个站点之间的传输延迟必须极低且稳定；否则，宝贵的计算资源将处于闲置状态，从而导致成本上升。同时，为降低未来系统的能耗，还需要减少处理器间数据传输所消耗的能量。光数据互连技术在满足这些需求方面起着关键作用，但目前现有的解决方案难以同时实现低延迟、低能耗和高扩展性。

设计思路

光互连技术虽然可以传输大量数据，但在短距离数据中心连接中的性能却受到对数字信号处理严重依赖的限制。在直接检测系统中，光信号中的相位信息会丢失，这使得色散和调制引起的频率偏移难以得到有效补偿。即便在那些经过设计以最小化色散的波长范围内，残留的色散仍会导致频率峰值的衰减，进而限制可用带宽。随着传输速度不断提升至200吉波特，可用带宽会迅速缩小，这就不得不使用更多并行光纤，从而增加硬件复杂性。此外，数据中心严格的能耗和延迟要求也使得基于复杂数字信号处理的补偿方法越来越不可行。光信号处理技术，尤其是神经形态光子处理技术，通过结合其固有的低延迟和低能耗特性，以及集成光子学和机器学习所带来的可编程性和扩展性，为解决这一问题提供了有希望的替代方案。

实验结果

本研究提出并展示了一种集成式光信号处理平台，该平台可实现无需数字信号处理的全光实时均衡功能。该平台的架构包含一个带有全光读出功能的深度光学储能结构，通过刻意设置不同步的采样时间，可产生类似维尼埃测微仪的效果，从而使采样分辨率达到1皮秒级别，并具备可调节的长记忆窗口。由于能够在检测之前完整保留光场信息，该系统相比先进的数字信号处理方法具有更出色的色散补偿能力，从而有效扩展了可用波分复用带宽，提升了单根光纤的传输容量和线路密度。实验表明，这种可编程光信号处理技术能够补偿包括收发器带宽限制和光纤非线性效应在内的各种线性和非线性缺陷，还能根据不同的波长、数据速率和调制格式进行动态调整。该系统实现了对八个波分复用通道的同时实时均衡处理，每个通道的传输速率为100吉波特，总体吞吐量可达1.6太比特/秒。测量结果显示，其处理延迟低于60皮秒，能耗则处于每比特数十飞焦耳的水平。

结论

这种集成式光处理器能够在实现极低延迟和低能耗的同时完成信号实时均衡处理，还能扩大可用传输带宽。其具备可编程特性且适用范围广泛，可为未来的计算系统提供可扩展、低延迟的光互连解决方案。这些研究结果表明，神经形态光子处理技术有望为大型分布式人工智能基础设施实现高度同步且低能耗的连接功能。

在查看器中打开

分布式数据中心互联技术为大规模人工智能应用提供了支持。不过光互连技术在扩展性方面面临挑战。光信号处理技术则可作为通用的非线性均衡器，在实现色散补偿的同时，还能缓解收发器带宽限制和非线性失真问题，其处理延迟低于60皮秒，能耗仅为每比特数十飞焦耳。通过扩展可用波分复用带宽，光信号处理技术能够提升传输容量，从而加速跨多个数据中心的人工智能训练进程。

摘要

大规模人工智能训练需要具备超低延迟且能效高的互连技术，以便让大量的图形处理单元集群能够高效协作。在强度调制/直接检测类型的传输链路中，数字信号处理技术虽可用于均衡处理，但其效果会受到相位丢失导致的非理想均衡现象以及严格的功耗和延迟限制的影响。我们提出了一种集成式的可编程光信号处理技术，它可作为通用的非线性均衡器，实现无需数字信号处理的全光实时均衡功能。该技术借助具有全光读出功能的深度储能结构，采用了类似维尼埃测微仪的机制，可实现约1皮秒级的采样分辨率，并拥有可调节的记忆窗口。该光信号处理技术能够同时均衡八个波分复用通道，实现每秒1.6太比特的总体传输吞吐量，处理延迟低于60皮秒，能耗则为数十飞焦耳。