去 DSP 的另一条路：在马赫-曾德尔网格里再生 200 Gbit/s 信号

编译自 MDPI Photonics 2024, 11(4), 349　·　开放获取 CC BY 4.0

光模块里那颗 DSP 负责把传输过程中被扭曲的信号重新洗干净，代价是功耗、成本和百纳秒量级的处理时延。速率越高，这笔账越难看。业内的一个方向是把均衡挪进交换芯片，让模块只做光电转换；另一个方向更激进，直接在光域里把信号重新整形。

台湾阳明交通大学光电工程学系与香港中文大学电子工程学系的 Tun-Yao Hung、David W. U Chan、Ching-Wei Peng、Chi-Wai Chow、Hon Ki Tsang 在 Photonics 上演示了后一条路。他们用基于马赫-曾德尔干涉仪的光神经网络，对硅微环调制器产生的四电平脉冲幅度调制信号做分类与再生，在 200 Gbit/s 上满足了软判决前向纠错的要求。

要理解这件事的分量，得先看 DSP 在光模块里做了什么。信号在电域和光域之间转换时会失真，激光器的非线性、信道的色散、接收端的带宽限制都会让眼图闭合。DSP 通过数字时钟恢复、色散补偿和判决反馈把信号重新张开，代价是它在高速模块里往往是最耗电的一颗芯片，还会引入处理时延。围绕它，业内分化出几种路线：收发两侧都保留重定时、只在发送侧保留、以及干脆去掉靠交换芯片补偿。论文探索的是更彻底的一条，把均衡与判决一起放进光域。

3 dB 带宽只有 67 GHz 的调制器

硅微环调制器在硅光平台上有天然优势，面积小、功耗低、容易和波导集成，适合做高密度通道阵列。它的短板也明确：论文实测的 3 dB 调制带宽约为 67 GHz。按每个符号携带 2 bit 计算，这个带宽对应的 PAM4 数据率理论上只有约 134 Gbit/s，一旦把速率推到 160 Gbit/s 以上，带宽不足导致的码间干扰就会迅速恶化信号质量。

论文实验覆盖的区间是 160 到 240 Gbit/s，对应 80 到 120 GBaud 的波特率。在这个区间里，硅微环调制器产生的 PAM4 光信号码间干扰严重到必须靠均衡才能恢复。传统做法是把信号送进 DSP 做数字均衡，论文选择的替代方案是在光域完成这一步，用一个可训练的光学网络替代固定算法的数字均衡器。

图1　基于马赫-曾德尔干涉仪的光神经网络结构与实验设置（依据原文第 3、5 节绘制）

两级网格夹一层非线性

论文的光神经网络基础单元是一个 2×2 的马赫-曾德尔干涉仪，由两个 3 dB 耦合器、臂内相位偏移器 θ 和输出端相位偏移器 φ 组成。把这样的单元按 Reck 网格架构排列，就得到一个 N×N 的线性变换网络，其中 MZI 的数量为 N(N-1)/2，排成 N-1 行，从上到下每行的 MZI 数量依次递减。论文给出的 4×4 示例共使用 6 个 MZI。

马赫-曾德尔干涉仪的工作原理是把相位变化翻译成强度变化。光从输入端分成两路，两臂加上不同的相位偏移后重新合束，输出端的强度就由两臂的相位差决定。这个相位差可以通过热光或电光效应调节，于是每个 MZI 就成了一个可编程的 2×2 变换单元。把若干单元按特定拓扑连成网格，就能实现任意酉矩阵，这是它能充当神经网络线性层的物理基础。Reck 架构的特点是结构规整、所需单元数量明确，便于在芯片上布局，代价是规模变大时网格的深度会线性增长。

只有线性变换不足以完成分类。论文在第一级 Reck 网格的输出端接了一层电光非线性激活函数，再进第二级网格，最后用光电探测器读出结果，整体构成一个两层全连接网络。激活函数的参数经过优化设定：分光比 α 取 0.1，MZI 半波电压 Vπ 为 5 V，偏置电压 Vb 取 −5 V，放大器增益 G 为 20，探测器响应度 R 为 1。推导得到的两个相位参数 φb 为 −π，gφ 为 0.4π。

训练在 Python 的 Neuroptica 仿真器里完成，损失函数用交叉熵，优化器用 Adam，约 100 轮收敛。这一步也暴露了当前光神经网络的现实处境：训练仍需在电域进行，只有推理阶段可以借助光域的并行传播完成。论文在结尾把这一点列为后续要解决的问题之一。

200 Gbit/s 这道坎

判据是软判决前向纠错的门限，要求比特错误率低于 0.024。论文在每个速率下采集 131072 波特的数据，其中 20% 用于训练、80% 用于测试。结果显示，在 200 Gbit/s 传输下所提光神经网络能够满足这一门限，这是达到该门限的最高实测数据率。在 160 Gbit/s 下，即便 MZI 的相位误差标准差达到 1°，错误率仍保持在门限之内。把速率继续推到 240 Gbit/s，则超出软判决纠错能力。

图2　三个速率档位下的判决结果与软判决纠错门限（依据原文图 8 绘制）

相位误差这一项的测试值得单独说。马赫-曾德尔干涉仪依赖精确的相位关系，在实际芯片上，热噪声、制造偏差和驱动电压波动都会让相位偏离设定值。论文用 1° 的标准偏差来模拟这种偏差，得到的结论是带激活函数的光神经网络对相位误差有不错的容忍度，错误率甚至比不带激活的版本更低，说明非线性层在一定程度上抑制了误差传播。

和数字神经网络打平

论文把光神经网络与同样神经元数量的传统全连接人工神经网络做了对照，后者含一个 4×4 全连接层和 ReLU 激活。结论是两者的性能几乎相同，错误率曲线在整个测试速率范围内趋势重合。这个结果的意义在于，光域方案没有因为物理实现的限制而在功能上打折。

加入非线性激活还带来一项额外的鲁棒性收益。没有激活函数的光神经网络对输入信号幅度很敏感，归一化幅度降到 0.6 以下时分类准确率就会骤降，在 0.1 时甚至低于 50%。加入电光非线性激活之后，同样在归一化幅度 0.1 的条件下，准确率仍能达到 99.7%。对实际链路来说，这意味着接收光功率下降时系统还能工作，允许的动态范围更宽。

离实用还有几步

论文坦率地列出了实现层面的障碍。光神经网络的插入损耗偏高，需要高效的放大机制来补偿，而放大本身又会引入噪声和功耗，这笔账还没有算平。器件在同时处理不同调制格式与速率时的灵活性不足，一个为 PAM4 训练的网格未必能直接用于其他格式。训练目前仍需在电域完成，意味着部署阶段依然要保留传统计算资源。

此外，论文的验证集中在单通道，波分复用场景下多路并行处理的表现尚未展开，而这恰恰是数据中心互连最真实的工况。把这项工作放回光模块的讨论里看，它的意义在于指出了「去 DSP」不只有电域一条路。当速率把 DSP 的功耗和时延推到难以接受的位置，把均衡和判决搬到光域，至少在原理上已经被证明可行，剩下的问题是如何把插入损耗和器件灵活性这两笔账算过来。

从系统集成的角度看，还有一层成本没有摊开。把一个可训练的光学均衡器集成进光模块，意味着需要额外的相位控制电路、探测器阵列和标定流程，而模块内部的空间与散热预算本来就紧张。论文在结论里把混合电子光子神经网络列为有希望的方向，思路是让电域处理擅长的非线性与存储、光域处理擅长的线性运算各司其职，而不是强行把所有计算都搬到光上。