Esta investigación de IA revoluciona el diseño del modulador Mach-Zehnder de silicio a través del aprendizaje profundo y algoritmos evolutivos
Esta investigación de IA revoluciona el diseño del modulador Mach-Zehnder de silicio
Los requisitos de capacidad de transmisión de red han aumentado debido a la popularidad de Netflix y el IoT y la transición a una arquitectura de cómputo y almacenamiento distribuido. En aplicaciones de corto alcance, donde los costos de red son muy altos, es especialmente difícil satisfacer dichas demandas de capacidad. Por ejemplo, los interconectores ópticos de alta velocidad (OIs) permiten la conectividad entre centros de datos hiperevolucionados ampliamente dispersos. El transmisor óptico, donde el modulador electro-óptico juega un papel central, es un componente clave de este tipo de sistema, tanto desde un punto de vista de costos como de rendimiento. Si bien se utilizan ampliamente en sistemas de largo recorrido y metropolitanos, los moduladores de niobato de litio muestran un rendimiento sobresaliente pero no se pueden integrar de manera eficiente con la electrónica relacionada debido a su gran tamaño y altos costos de material.
En los últimos años, la fotónica integrada ha sido el foco de mucha investigación en esta área. Dado que su compatibilidad con la tecnología de óxido metálico complementario (CMOS) permite no solo la integración monolítica mencionada anteriormente con la etapa electrónica, sino también aprovechar su conocimiento en fabricación y la infraestructura de fabricación madura, la fotónica de silicio (Si) ha surgido como una plataforma de alto potencial para implementar moduladores ópticos de bajo costo y alto rendimiento.
Los límites de rendimiento de los moduladores Mach-Zehnder (MZMs) de silicio (Si), un componente clave de los sistemas de comunicación óptica, se están probando en aplicaciones de alta velocidad. Sin embargo, los enfoques de optimización típicos requieren un tiempo y recursos excesivos para lograr una configuración de alto rendimiento debido a la gran cantidad de factores de diseño y la complejidad de modelar estos dispositivos. Los investigadores sugieren un nuevo enfoque de diseño que utiliza la optimización heurística y las redes neuronales artificiales para simplificar drásticamente el proceso de optimización.
- Tiempo 100 IA ¿Los más influyentes?
- Python Enumerate() Simplifica el bucle con contadores
- Conoce a CityDreamer Un modelo generativo compositivo para ciudades 3D ilimitadas
Se reemplazó la simulación electromagnética en 3D de un MZM basado en Si por un modelo de red neuronal profunda. Luego, se utilizó este modelo para estimar la figura de mérito dentro del optimizador heurístico (el método de evolución diferencial). Aplican esta técnica a MZMs compatibles con CMOS y descubren nuevas configuraciones que mejoran las mejores prácticas establecidas previamente en áreas como el ancho de banda electro-óptico, la pérdida de inserción y el voltaje de media onda. Dado que el Si es un semiconductor, puede crear desfasadores que dependen del efecto de dispersión del plasma (PDE) mediante la inyección y extracción de portadores libres. Un bloque constitutivo fundamental de moduladores ópticos en fase y en cuadratura (IQMs) requiere ocho controles eléctricos del índice de refracción de la estructura para crear desfasadores basados en guías de onda en forma de costilla. Los interferómetros que utilizan resonadores de microanillo (MRR), moduladores Michelson (MM) y moduladores Mach-Zehnder (MZM) pueden utilizar todos desfasadores de silicio para manipular patrones interferométricos.
Aunque los MRR y los moduladores interferométricos de Michelson (MIM) son pequeños en tamaño, consumen poca energía y son altamente eficientes en la modulación de señales, su ancho de banda está severamente limitado. En contraste, los MZMs proporcionan el equilibrio óptimo entre el ancho de banda de modulación, el consumo y la pérdida de inserción en sistemas de alta velocidad a pesar de su tamaño relativamente grande y su alto consumo de energía. Además de los beneficios mencionados anteriormente, los MZMs tienen una resistencia térmica mayor y un chirrido significativamente menor en la señal modulada en comparación con los MRR y MIM.
La fotónica de Si ha surgido como un sustrato prometedor para implementar MZMs debido a su interoperabilidad con CMOS. Sin embargo, debido a los efectos electro-ópticos poco impresionantes de Si, estos MZMs requieren una optimización extensa, investigando tantos aspectos de diseño como sea posible para alcanzar su máximo potencial. Los investigadores sugirieron una estrategia de optimización basada en ANNs y DE para lograr esto.
En comparación con la simulación convencional en una estación de trabajo de propósito general, el tiempo de inferencia para el modelo propuesto es siete órdenes de magnitud menor. La aplicación de la optimización de múltiples agentes, particularmente DE, con un alto número de población y el ajuste de los parámetros de optimización, fue posible gracias a la reducción significativa del tiempo de ejecución. Las nuevas configuraciones de MZM superaron a las obtenidas por casualidad, utilizando la combinación sugerida de modelado ANN y optimización DE. Esta es la primera vez que se utilizan ANNs para crear MZMs integrados. Los resultados obtenidos son intrigantes y demuestran el potencial del método de diseño propuesto; sin embargo, el trabajo podría ampliarse a modelos de MZM más complejos, como incluir los parámetros relacionados con los electrodos, o probar otros algoritmos de optimización heurística, como la optimización por enjambre de partículas o algoritmos genéticos. Se presentará un examen del rendimiento del sistema del modulador optimizado, incluidos los hallazgos experimentales, en estudios posteriores.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Comprendiendo el sesgo algorítmico Tipos, causas y estudios de casos
- El nacimiento de la Ciencia de Datos La primera prueba de hipótesis de la historia e ideas sobre Python
- Quantización de Tensores La Historia No Contada
- ¿Pueden los Transformers aprender a estrategizar?
- Transformando la investigación en Catalyst Conoce a CatBERTa, un modelo de IA basado en Transformers diseñado para la predicción de energía utilizando entradas de texto
- ¿Cómo funciona realmente la Difusión Estable? Una explicación intuitiva
- Detección de formas de nubes de puntos 3D para modelado de interiores