Neuromorphic photonics for modulation format identification and signal equalization in optical communication systems

Aktuelle Entwicklungen in der Welt des Streamings, die neueste Entwicklungen in der künstliche Intelligenz (KI), der sozialen Medien und anderer Technologien treiben ein exponentielles Wachstum der Nachfrage nach Netzwerkkapazität mit höherer Bandbreite und geringerer Latenz voran. Dies stellt eine Herausforderung für die bestehende Netzwerkinfrastruktur dar. Insbesondere optische Übertragungssysteme, die einen großen Teil des Rückgrats des Internets bilden, stehen vor ständig steigenden Anforderungen hinsichtlich der Kapazitäten und der entsprechenden Energiekosten. Ein Teil dieser Kosten ist auf den Einsatz kohärenter Empfänger mit energieintensiver digitaler Signalverarbeitung (DSP) zurückzuführen. Diese Geräte verursachen zudem hohe Anschaffungs-, Bereitstellungs- und Wartungskosten und werden zunehmend komplexer. Der Einsatz von neuronalen Netzwerken (NN) bietet einen alternativen Ansatz, der dazu beitragen kann, die mit der DSP verbundene Komplexität und den Energieverbrauch zu reduzieren. Zwei verschiedene Anwendungen wurden in dieser Arbeit untersucht. Beide betreffen die Implementierung photonischer neuromorpher Netzwerke für optische Kommunikationssysteme. Die erste Anwendung fällt in den Bereich der intelligenten Überwachung optischer Übertragungsnetze und beschäftigt sich mit Modulationsformaterkennung (MFI). Es wird ein NN vorgestellt, das auf dem Paradigma des Reservoir Computings (RC) basiert und ein photonisches Reservoir mit einem digitalen Readout implementiert. Jeder Entwicklungsschritt dieses NN wird detailliert beschrieben. Nach der Herstellung und dem Packaging des entsprechenden neuromorphen photonisch integrierten Schaltkreises (PIC) wurden umfangreiche experimentelle Demonstrationen durchgeführt, um seine MFI-Fähigkeiten zu evaluieren. Die Ergebnisse dieser Bewertungen, einschließlich Live-Demonstrationen mit kommerzieller Netzwerkausrüstung in einer realen Umgebung, zeigen, dass das NN eine MFI-Genauigkeit von bis zu 100% in einer Vielzahl von Szenarien erreichen kann. Diese Szenarien umfassten Übertragungsstrecken von bis zu 100km, optische Signal-zu-Rausch-Verhältnis-(OSNR-)Werte zwischen 2 und 40 dB, optische Eingangsleistungen zwischen 15 und 23dBm, Polarisationsumschaltgeschwindigkeiten von bis zu 700 kHz, Einzel- und Doppelpolarisation sowie Signale mit Wavelength-Division Multiplexing (WDM). Die in die Bewertungen einbezogenen Modulationsformate waren On-Off Keying (OOK), Pulse Amplitude Modulation (PAM), Binary Phase Shift Keying (BPSK), und Quadrature Amplitude Modulation (QAM). Die Baudrate der Übertragungssignale lag zwischen 32 und 35 GBaud. Die zweite in dieser Arbeit untersuchte Anwendung bezieht sich auf die Entzerrung optischer Übertragungssignale mithilfe eines hybriden neuromorphen PICs. Der Ansatz baut auf der vorherigen Anwendung auf, indem die verwendete Architektur des photonischen Reservoirs um eine vollständig verbundene Schicht mit einem Gitter aus Mach-Zehnder-Interferometern (MZIs) erweitert wird. Die Aktivierungsfunktionen werden mittels optischer Halbleiterverstärker (SOAs) realisiert. Diese Geräte ermöglichen die Signalverarbeitung direkt im optischen Bereich. Das bedeutet, dass das NN die inhärenten Vorteile optischer Übertragungssysteme wie geringe Latenz und hohe Bandbreite nutzt. Das NN hat die Fähigkeit, die Signale zu verarbeiten, während sie sich durch das Netzwerk ausbreiten. Jeder Schritt der Entwicklung wird detailliert beschrieben, einschließlich der Erstellung der Modelle, des Layouts und deren Bewertung. Die neuesten Ergebnisse zeigen, dass der hybride PIC den Q2-Faktor um 1.92 dB verbessern kann, verglichen mit den 16-QAM-Signalen ohne Entzerrung, die bei einer Einspeiseleistung von −10dBm über eine Single-Mode Fiber (SMF) ohne Dispersionskompensation übertragen wurden. Bei Übertragung über eine Dispersion-Shifted Fiber (DSF) betrug die Verbesserung des Q2-Faktors 1.13 dB.