数字和等离子体人工神经网络——实现高速、低复杂度的改进型非线性信号处理

《SCIENCE ADVANCES》：Digital and plasmonic artificial neural networks—Improved nonlinear signal processing at high speed and low complexity

本研究提出了一种基于光子/等离子体调制器的人工神经网络（ANN），用于直接校正光信号的非线性失真。通过对比传统数字信号处理方法（如前向馈电器和Volterra级数）与数字ANN及等离子体ANN（PNN），发现PNN在相同计算复杂度下实现更高信噪比（SNR），且在48 Gbit/s高速场景中表现出色。实验表明，PNN通过等离子体调制器实现低功耗、紧凑设计，其能量效率（450 GMAC/pJ）和面积效率（5500 GMAC/s/mm2）优于现有电子和传统光子方案，为下一代光通信系统提供了新路径。

　　在现代通信系统中，随着数据传输速率的不断提升，信号的非线性失真问题变得愈发严重，这不仅影响了信号的质量，也对系统的功耗和运营成本提出了更高的要求。为了应对这一挑战，科学家们一直在探索更高效、更快速的数字信号处理（DSP）技术，以减少信号失真带来的负面影响。近年来，人工智能神经网络（ANN）作为一种新兴的信号处理方法，因其强大的非线性建模能力和较低的计算复杂度而受到广泛关注。然而，传统的数字神经网络（DNN）仍然依赖于电子计算单元，其功耗较高，难以满足高数据率传输的需求。为了解决这一问题，研究人员提出了一种新型的光子/等离子体人工神经网络（PNN），该网络利用等离子体调制器直接处理光载波上的非线性信号失真，从而减少对电子处理的依赖，提升信号处理的效率和速度。

PNN的优势在于其紧凑的结构和极高的处理速度。相比传统的电子DSP系统，PNN能够在光子域内直接执行神经网络的计算任务，无需经过复杂的电子转换过程。等离子体调制器因其极高的带宽（可达到500 GHz以上）和极低的功耗（可低至阿托焦耳每比特），为实现这一目标提供了坚实的物理基础。这些特性使得PNN能够在极小的芯片面积上实现高性能的信号处理，从而显著减少系统的总体功耗和物理尺寸。此外，等离子体技术还能够支持更高速度的信号处理，这在数据中心和高速通信场景中尤为重要，因为低延迟是提升整体性能的关键因素。

传统的信号处理方法，如前馈均衡器（FFE）和Volterra级数（VLT），虽然在处理非线性失真方面具有一定的效果，但它们的计算复杂度较高，导致处理速度受限。FFE是一种线性滤波器，主要用于消除线性信道失真，其计算过程涉及多个乘法和累加（MAC）操作，这在高数据率情况下会带来显著的计算负担。而VLT则能够处理非线性失真，但其计算复杂度随非线性阶数的增加而迅速上升，尤其是在处理高阶非线性效应时，所需乘法数量会大幅增加。相比之下，DNN通过其非线性激活函数和权重参数的自适应调整，能够在较低的计算复杂度下实现更高的信号信噪比（SNR）。然而，DNN仍然依赖于电子设备进行计算，这限制了其在高速、低功耗场景下的应用潜力。

PNN的引入为解决上述问题提供了一个全新的思路。PNN通过在光子域内执行神经网络的计算任务，能够在不依赖电子计算单元的情况下，实现对非线性信号失真的有效补偿。在实验中，研究人员使用了一种基于等离子体的结构，将DNN的权重参数和激活函数直接映射到等离子体调制器上，从而实现了信号处理的全光子化。实验结果显示，PNN在处理48 Gbit/s的信号时，其SNR优于传统的FFE，且所需的计算资源远少于DNN。这一结果表明，PNN在信号处理性能和计算效率方面都具有显著优势。

在PNN的实验实现中，研究人员采用了一种分层的处理结构。第一层和第二层的处理在电子域内完成，而第三层则在光子域内执行。第一层通过等离子体结构对输入信号进行分路和延迟，第二层则通过等离子体调制器对信号进行加权和相位调整，最终将信号重新组合并映射到光子域。这一结构不仅减少了电子处理的需求，还提升了信号处理的整体速度和效率。同时，PNN的结构设计使得其能够实现更低的功耗，因为等离子体调制器的能量消耗极低，且其在光子域内的操作无需额外的电子处理步骤。

为了验证PNN的性能，研究人员将其与传统的FFE和VLT进行了比较。实验结果显示，PNN在处理非线性信号失真方面表现出色，尤其是在高数据率场景下，其处理速度和效率显著优于传统的电子方法。此外，PNN的计算复杂度也远低于DNN，这表明其在实际应用中具有更高的可行性。然而，PNN在实际应用中仍面临一些挑战，例如等离子体调制器的带宽和延迟问题。尽管如此，PNN的初步实验结果已经表明，其在高数据率通信系统中具有巨大的潜力。

在实际应用中，PNN的实现需要考虑多个方面。首先，等离子体调制器的带宽和延迟是影响信号处理性能的关键因素。研究人员通过实验验证了等离子体调制器在高带宽和低延迟方面的表现，表明其在高数据率场景下能够提供良好的信号处理能力。其次，PNN的结构设计需要充分考虑信号的分路、延迟和加权过程，以确保信号处理的准确性和稳定性。此外，PNN还需要与传统的光子器件相结合，例如光电探测器（PD）和光电调制器（EAM），以实现完整的信号处理流程。

PNN的实验结果表明，其在处理高数据率信号时具有显著的优势。在48 Gbit/s的实验中，PNN的SNR比传统的FFE高1.5 dB，同时所需的计算资源远少于DNN。这一结果表明，PNN在实际应用中能够有效降低系统的功耗和延迟，提高信号处理的效率。此外，PNN的结构设计还能够支持更复杂的信号处理任务，例如处理长距离光纤传输中的信号失真问题。在120公里的光纤传输实验中，PNN在较低的计算复杂度下实现了比FFE和VLT更高的SNR，表明其在处理复杂信道失真方面具有更强的适应能力。

尽管PNN在理论上和实验上都展现出良好的性能，但在实际应用中仍需进一步优化。例如，等离子体调制器的带宽和延迟问题需要通过更先进的材料和设计来解决。此外，PNN的结构设计需要充分考虑信号的分路和加权过程，以确保信号处理的准确性和稳定性。同时，PNN的实现还需要与传统的光子器件相结合，例如光电探测器和光电调制器，以实现完整的信号处理流程。

总的来说，PNN作为一种新型的信号处理方法，具有显著的优势。其在高数据率通信系统中的应用潜力巨大，能够有效降低系统的功耗和延迟，提高信号处理的效率。然而，PNN的实现仍需克服一些技术挑战，例如等离子体调制器的带宽和延迟问题，以及信号处理流程的优化。随着等离子体技术的不断发展，PNN有望成为下一代通信系统中的重要组成部分，为实现更高效、更快速的信号处理提供新的解决方案。