「このAI研究は、深層学習と進化アルゴリズムを用いて、シリコンMach-Zehnderモジュレータの設計を革新します」

This AI research revolutionizes the design of Silicon Mach-Zehnder modulators using deep learning and evolutionary algorithms.

NetflixやIoTの人気や分散コンピューティングおよびストレージアーキテクチャへの移行により、ネットワークの伝送容量要件が増加しています。ネットワークコストが高額な短距離アプリケーションでは、このような容量要求を満たすことは特に困難です。例えば、高速光インターコネクト(OI)は、広範囲に分散したハイパースケールのデータセンター間の接続性を可能にします。電光変調器が中心的な役割を果たす光トランスミッターは、コストと性能の両面でこのタイプのシステムの重要なコンポーネントです。長距離および都市部システムで広く使用されているリチウムニオブ酸塩モジュレータは、優れた性能を示しますが、大きなフットプリントと高い材料コストのために関連する電子機器と効率的に統合することができません。

近年、統合フォトニクスはこの分野で多くの研究の焦点となっています。その互換性から、補完的金属酸化物半導体(CMOS)との互換性があり、ノウハウと成熟した製造インフラを活用できるため、シリコン(Si)フォトニクスは低コストかつ高性能な光モジュレータを実装するための高いポテンシャルを持つプラットフォームとして登場しています。

光通信システムの重要なコンポーネントであるシリコン(Si)マッハ・ツェンダーモジュレータ(MZM)の性能限界が高速アプリケーションでテストされています。ただし、従来の最適化手法では、デザイン要素の数が非常に多く、これらのデバイスのモデリングの複雑さのため、高性能な構成を達成するには過度な時間とリソースが必要です。研究者たちは、ヒューリスティック最適化と人工ニューラルネットワークを使用した新しい設計手法を提案して、最適化プロセスを劇的に簡略化することを示唆しています。

SiベースのMZMの3D電磁シミュレーションをディープニューラルネットワークモデルで置き換えました。その後、このモデルをヒューリスティック最適化(差分進化法)内での性能評価に使用しました。この技術をCMOS互換のMZMに適用し、従来のベストプラクティスを改善する新しい構成を見つけました。これらの構成は、電光帯域幅、挿入損失、半波電圧などの領域で優れた性能を示します。Siは半導体なので、プラズマ分散効果(PDE)に依存する位相シフタを作成できます。位相シフタを作成するためには、リブウェーブガイドベースの位相シフタを作成するために、構造の屈折率を8つの電気制御で操作する必要があります。マイクロリング共振器(MRR)、ミッシェルソンモジュレータ(MM)、マッハ・ツェンダーモジュレータ(MZM)を使用した干渉計は、すべてシリコン位相シフタを使用して干渉パターンを操作することができます。

MRRとミッシェルソン干渉計モジュレータ(MIM)は、フットプリントが小さく、エネルギー消費量も少なく、信号の変調に非常に効率的ですが、帯域幅が制約されています。対照的に、MZMは、比較的大きなフットプリントと高い消費電力にもかかわらず、高速システムでの変調帯域幅、消費量、挿入損失の最適なトレードオフを提供します。先述の利点に加えて、MZMはより優れた耐熱性を持ち、モジュレートされた信号のチャープもMRRとMIMに比べて著しく少ないです。

Siフォトニクスは、CMOSとの相互運用性のために、MZMを実装する有望な基板として浮上しています。ただし、Siの電気光学効果が十分でないため、この技術を使用したMZMは、その全ポテンシャルを引き出すために、可能な限り多くの設計要素を調査し、広範な最適化が必要です。研究者は、この目的を達成するためのANNとDEに基づく最適化戦略を提案しました。

提案されたモデルの推論時間は、従来の汎用ワークステーション上での通常のシミュレーションと比較して、7桁程度短縮されています。多エージェント最適化、特にDEを使用した高い集団数と最適化パラメータの調整は、実行時間の大幅な削減によって可能になりました。提案されたANNモデリングとDE最適化の組み合わせを利用することで、新しいMZM構成は、ランダムに得られたものよりも優れています。これは、ANNが統合MZMの作成に使用された初めての試みです。得られた結果は興味深く、提案された設計手法のポテンシャルを示していますが、作業は電極関連パラメータを含めたより複雑なMZMモデルへの拡張や、パーティクルスワーム最適化や遺伝的アルゴリズムなどの他のヒューリスティック最適化アルゴリズムのテストなどにも拡張できます。最適化されたモジュレータのシステム性能、実験結果を含む詳細な調査は、後続の研究で提示される予定です。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

機械学習

類似検索、パート6:LSHフォレストによるランダム射影

「類似検索」とは、クエリが与えられた場合に、データベース内のすべてのドキュメントの中から、それに最も類似したドキュメ...

データサイエンス

クラスの不均衡:SMOTEからSMOTE-NCおよびSMOTE-Nへ

前の話では、私たちはどのように単純なランダムオーバーサンプリングとランダムオーバーサンプリングの例(ROSE)アルゴリズ...

機械学習

NVIDIA H100 GPUがMLPerfベンチマークのデビューで生成型AIの標準を設定

主要のユーザーと業界標準のベンチマークによれば、NVIDIAのH100 Tensor Core GPUは特に生成型AIを駆動する大規模言語モデル...

データサイエンス

「より良いMLシステムの構築-第4章 モデルの展開とその先」

モデルを展開し、その制作を支援することは、機械学習よりもエンジニアリングに関わります機械学習のプロジェクトが制作段階...

機械学習

このAI論文は、「Vary」という新しいアプローチを明らかにしています:高度な多言語認識タスクのための大規模なビジョン言語モデルの視覚語彙を拡張するためのアプローチ

大視覚言語モデル(LVLM)は、コンピュータビジョンと自然言語処理を組み合わせて、視覚的なコンテンツのテキストの説明を生...