引言

在当今人工智能快速发展和数据中心业务不断扩张的背景下，高容量数据传输需求变得日益重要。硅基光电子(SiPh)技术作为光电子集成芯片的有效解决方案，为现代AI系统提供了可扩展的高速数据传输平台。本文探讨了如何利用先进的神经网络技术提升锗硅电吸收调制器(GeSi-EAM)的性能，以实现高速数据传输率[1]。

1

硅基光电子和GeSi-EAM技术

硅基光电子利用半导体特性，经济高效地制造光电子集成芯片。在各种硅基光电子调制器中，包括马赫-曾德尔调制器和硅微环调制器，GeSi-EAM因其小型化特点和大带宽能力而脱颖而出。基于弗朗兹-凯尔迪什效应，这类调制器可同时作为光发射器和接收器，使其非常适合空间有限的数据中心互连。

长短期记忆回归(LSTM)和密集神经网络(DNN)实现的高速四级脉冲幅度调制(PAM4)生成技术，使用GeSi电吸收调制器(EAM)展示了显著效果。该技术支持200-Gbit/s 1公里标准单模光纤(SSMF)和240-Gbit/s背靠背(B2B)传输，满足软判决前向纠错(SD-FEC)要求。

图1：GeSi-EAM的照片(a)和在不同基准电压下的插入损耗特性(b)。可以看到该器件在较短波长下有较高的插入损耗。

2

PAM4生成的实验设置

图2展示了系统如何生成脉冲幅度调制(PAM4)信号的实验设置。发射器的数字信号处理始于将伪随机二进制序列(PRBS)数据映射到PAM4符号。这些数据以0.01滚降因子的奈奎斯特脉冲整形上采样至120 GSa/s，然后发送到任意波形发生器(AWG)。

数据通过射频探针发送至AWG(Keysight® M8194A)，以调制GeSi-EAM生成光学PAM4信号。由激光二极管(LD)产生的1555 nm波长光信号通过光栅耦合器进出GeSi-EAM，每个接口的耦合损耗约为3 dB。

可变光衰减器改变输入功率以进行误码率分析，而掺铒光纤放大器补偿了光纤-芯片耦合损耗。光电二极管连接到实时示波器，捕获信号用于接收端数字信号处理。

图2：PAM4生成的实验设置，展示了从激光二极管通过GeSi-EAM到接收器组件的完整信号链。

3

LSTM回归和DNN分类模型

本研究的核心在于结合LSTM回归和DNN分类的新型信号处理方法。图3说明了这些模型的架构。

图3(a)展示了LSTM回归模型，其中RTO接收信号上采样到数据率的最小公倍数(LCM)。该模型由具有8个神经元的LSTM层和时间分布层组成，后者结合了LSTM层在每个时间步的输出。使用的损失函数是均方误差(MSE)；优化器是Adam带权重衰减(AdamW)，学习率为0.002，权重衰减为0.0006。LSTM模型的输出将进入DNN模型的输入。

图3(b)展示了LSTM层中使用的LSTM单元结构，具有时间记忆特性，可以从先前数据预测输出。Ct-1、Ct、xt、ht-1、ht、σ分别是来自前一个LSTM单元状态的记忆、新更新的单元状态、此时间步的当前输入、先前隐藏状态、当前隐藏状态和Sigmoid函数。图3(c)展示了由6层组成的DNN模型：具有16个神经元的输入层，两个丢弃率为0.05的丢弃层，两个具有8个神经元的全连接(FC)层，以及用于PAM4信号4个级别分类的输出层。

LSTM回归模型有效捕获信号中的时间依赖性，而DNN分类模型精确识别四个不同的PAM4信号级别。DNN使用稀疏分类交叉熵作为损失函数，在全连接层中使用RELU激活函数，在输出层使用Softmax。

图3：提出的模型架构展示(a)LSTM回归架构，(b)具有时间记忆特性的LSTM单元结构，和(c)由6层组成的DNN分类模型。

4

性能结果和分析

通过在不同条件下的误码率(BER)测量评估了GeSi-EAM系统的性能，如图4所示。

图4(a)和(b)展示了GeSi-EAM生成的PAM4在B2B和经过1公里SSMF传输后的BER测量。在接收端不采用任何信号均衡时，最大实现的数据率为100 Gbit/s，满足SD-FEC(即BER = 2.4 × 10-2)。当仅采用DNN模型时，B2B和经过1公里SSMF传输分别可实现220 Gbit/s和180 Gbit/s。

当采用LSTM与DNN结合时，B2B和经过1公里SSMF传输分别可实现240 Gbit/s和200 Gbit/s，满足SD-FEC要求。

这些结果表明，与无均衡或仅DNN解决方案相比，使用LSTM和DNN组合方法可获得显著改进。训练指标进一步验证了模型的有效性，LSTM模型损失在50个周期后收敛，组合LSTM-DNN模型达到96.46%的准确率。

图4：BER测量结果显示(a)背靠背性能，(b)经过1公里SSMF传输后的性能，(c)LSTM模型损失函数，和(d)在200 Gbit/s下LSTM-DNN组合模型准确率。

5

结论

研究表明神经网络增强的硅基光电子技术在满足高速数据传输需求方面具备出色能力。GeSi-EAM具有小型尺寸和高带宽的优点。本研究通过实验展示了LSTM-NN实现的使用GeSi-EAM的高速PAM4生成技术。该技术可支持200-Gbit/s 1公里SSMF传输和240-Gbit/s B2B传输，满足SD-FEC阈值要求。

这种方法展示了如何在不进行根本性重新设计或材料改变的情况下，利用先进机器学习技术显著提升现有光电子技术的性能。通过结合LSTM的时间记忆能力和DNN的分类能力，能够推动现有光电子集成芯片技术的实际应用范围。

参考文献

[1] W.-L. Chen, Y.-Z. Lin, T.-Y. Hung, D. W. U. Chan, H. K. Tsang, and C.-W. Chow, "Long Short Term Memory Regression and Dense Neural Network Enabled 200-Gbit/s PAM4 using GeSi Electro-Absorption Modulator (EAM)," in Proc. IEEE SiPhotonics, Apr. 2025.

END