面向安全高通量光纤通信的光子无监督学习处理器
光学
2022-03-09 v1
摘要
随着全球数据的爆炸式增长，对高通量光纤通信（OFC）系统执行海量数据传输与处理的需求日益增长。现有 OFC 方法主要依赖电子电路进行数据处理，严重限制了通信吞吐量。尽管全光 OFC 被视为下一代高速光纤通信的有力候选，但由于在有效光计算、系统建模与配置方面的严峻挑战，其仍无法实现。在此，我们提出了一种端到端光子编码器—解码器（PED）处理器，将 OFC 的物理系统映射为一个光学生成式神经网络。通过将 OFC 传输过程建模为所构建光学潜空间中的变化，PED 通过无监督优化学习抗噪声编码方案。借助多层参数化衍射神经网络，PED 建立了一个大规模、高通量的光计算框架，将 OFC 的主要计算（包括编码、加密与压缩）集成到光域。与最先进器件相比，整个系统将 OFC 系统的计算延迟降低了五个数量级。在基准数据集上，PED 实验上实现了比开关键控（OOK，通用传输中误码率最低的主流方法之一）最高 32% 的传输误码率（ER）降低。正如我们在医疗数据上所展示的，PED 比 8 级脉冲幅度调制（PAM-8）将传输吞吐量提高了两个数量级。我们相信所提出的光子编码器—解码器处理器不仅为下一代全光 OFC 系统铺平了道路，也推动了广泛的基于 AI 的物理系统设计。
引用
@article{arxiv.2203.03807,
title = {Photonic unsupervised learning processor for secure and high-throughput optical fiber communication},
author = {Yitong Chen and Tiankuang Zhou and Jiamin Wu and Hui Qiao and Xing Lin and Lu Fang and Qionghai Dai},
journal= {arXiv preprint arXiv:2203.03807},
year = {2022}
}