VCSEL-based PAM-4 transmission system emulator: A data-driven deep learning perspective

ملخص تقني: محاكي نظام إرسال PAM-4 قائم على VCSEL: منظور التعلم العميق القائم على البيانات

بيان المشكلة
يواجه تصميم وتحسين الوصلات البصرية عالية السرعة، لا سيما تلك التي تستخدم ليزرات الانبعاث السطحي ذو التجويف الرأسي (VCSELs) للشبكات ذات المدى القصير في مراكز البيانات، تحديات كبيرة. تعتمد عمليات التوصيف التقليدية على المحاكاة العددية القائمة على نماذج المعادلات التفاضلية (rate-equation models). وتعد هذه الطرق مكلفة حاسوبياً، حيث تتطلب تكاملاً تسلسلياً للخطوات الزمنية، مما يشكل عائقاً أمام تحسين الأنظمة واسعة النطاق (مثل مسح تيارات الانحياز، ودرجات الحرارة، وأطوال الألياف). علاوة على ذلك، غالباً ما تعاني نماذج المعادلات التفاضلية في التقاط التفاعلات غير الخطية المعقدة المتأصلة في التطبيقات الواقعية، مثل التنافس بين الأنماط المتعددة، وحجز الثقوب الفراغي (spatial hole burning)، والقيود الطفيلية لـ RC المتميزة الخاصة بـ VCSEL عند طول موجي 850 نانومتر. كما تتطلب هذه النماذج ضبطاً مكثفاً ومستهلكاً للوقت للمعلمات لتتواءم مع السلوك التجريبي. ومن ثم، هناك حاجة ماسة لأداة محاكاة سريعة ودقيقة يمكنها التنبؤ بالديناميكيات النهائية لنظام PAM-4 القائم على VCSEL دون العبء الحسابي للنمذجة الفيزيائية.

المنهجية
يقترح المؤلفون إطار عمل قائماً على البيانات يستخدم شبكات الذاكرة الطويلة قصيرة المدى ثنائية الاتجاه (Bi-LSTM) لمحاكاة ديناميكيات جهاز إرسال PAM-4 قائم على VCSEL. يتم هيكلة النهج في ثلاث مراحل:

1. توليد البيانات التجريبية: تم توصيف نظام إرسال بصري بسرعة 106.25 جيجابت/ثانية تجريبياً. تم تعديل VCSEL متعدد الأنماط عالي السرعة بطول موجي 850 نانومتر مباشرة باستخدام تسلسل ثنائي عشوائي زائف. يتضمن النظام موازن تغذية أمامية (FFE) مكون من 4 نقاط (4-tap) للتعويض عن العيوب الخطية. تم التقاط البيانات باستخدام راسم إشارة (Oscilloscope) واقعي بتردد 33 جيجاهرتز عبر جهود انحياز مستمرة مختلفة (نطاقات تشغيل) مع الحفاظ على معدل رمز ثابت (53.125 جيجابود) ودرجة حرارة محيطة (~20 درجة مئوية).
2. النمذجة القائمة على البيانات: تم تدريب شبكة Bi-LSTM كمعرّف نظام "صندوق أسود" باستخدام أزواج من الإشارات الكهربائية الداخلة والموجات البصرية الخارجة. تتكون البنية من 28 وحدة مخفية مهيأة بأسلوب "متعدد إلى متعدد" (many-to-many). تسمح الطبيعة ثنائية الاتجاه للنموذج بالتقاط تأثيرات الذاكرة السببية (مثل استنزاف الحاملات) والسياق العكسي السببي (مثل تنعيم عرض النطاق المحدود). تم تدريب النموذج على 100,000 رمز باستخدام مُحسّن Adam مع دالة فقدان متوسط مربع الخطأ (MSE).
3. المحاكاة والتكيف مع النطاق: لمعالجة التكلفة الحسابية لتدريب نماذج منفصلة لكل حالة تشغيل، استخدم المؤلفون استراتيجية تعلم انتقالي (Transfer Learning) مدمجة مع استكمال الأوزان (Weight Interpolation).
   • التعلم الانتقالي: يُستخدم نموذج أساسي تم تدريبه عند انحياز معين (1.0 فولت) لتهيئة النماذج لنطاقات انحياز جديدة. يتم فقط ضبط الطبقات الخارجية (رسم الخرائط المدخلة والقراءة) بدقة، بينما يتم تجميد النواة المتكررة الداخلية. هذا النهج "الشبه خزان" (reservoir-like) يستفيد من الديناميكيات الفيزيائية المتعلمة في النواة.
   • استكمال الأوزان: لاحظت الدراسة أن أوزان الشبكة تتطور خطياً بين الحالات التي تم ضبطها بدقة. وهذا يسمح باشتقاق نماذج دقيقة لنطاقات التشغيل المستمرة المتوسطة حصرياً من خلال الاستكمال الرياضي لمتجهات الأوزان، متجاوزين الحاجة إلى بيانات إضافية أو إعادة تدريب.

النتائج الرئيسية

• الدقة: يحقق محاكي Bi-LSTM متوسط مربع خطأ طبيعي (NMSE) يتراوح بين 0.02 و0.04 عبر جميع نطاقات التشغيل المختبرة. يتفوق هذا الأداء بشكل كبير على خط الأساس للانحدار الخطي، الذي أظهر NMSE > 0.08 وتدهور مع زيادة جهد الانحياز، مما يؤكد عدم الخطية المتأصلة في النظام.
• الكفاءة الحسابية: يوفر نهج التعلم العميق المقترح تقليلاً هائلاً في وقت الحوسبة مقارنة بالطرق التقليدية.
  • المعادلات التفاضلية: تستغرق محاكاة مليون رمز عبر 6 نطاقات انحياز باستخدام حلل Runge-Kutta من الدرجة الرابعة على وحدة معالجة مركزية (CPU) حوالي 51 دقيقة.
  • تدريب Bi-LSTM المستقل: يستغرق التدريب الأولي 16 دقيقة على وحدة معالجة رسومات (GPU).
  • التعلم الانتقالي: يستغرق التكيف مع نقطة تشغيل جديدة أقل من دقيقة واحدة (تحديداً ~50 ثانية للضبط الدقيق القياسي).
  • استراتيجية "الشبه خزان": يقلل الضبط الدقيق للطبقات الخارجية فقط من وقت التكيف إلى 35 ثانية لكل نقطة تشغيل.
  • الاستكمال: إن إنشاء نماذج للنطاقات المتوسطة عبر استكمال الأوزان يتم بشكل فوري.
• تحليل الحساسية: يكشف تحليل الاضطراب أن كتل الأوزان الخارجية (المدخلات والمخرجات) هي الأكثر تأثيراً على الدقة، بينما تكون الأوزان المتكررة الداخلية قوية ومستقرة. وهذا يؤكد صحة استراتيجية تجميد النواة الداخلية أثناء التعلم الانتقالي.

الأهمية والادعاءات
يدعي البحث توفير أداة سريعة ودقيقة لتصميم وتحسين الوصلات البصرية قصيرة المدى. ومن خلال الابتعاد عن النماذج الفيزيائية الثقيلة حسابياً، يتيح هذا الإطار للمهندسين البصريين إجراء مسح سريع لمئات التكوينات المحتملة من الانحياز والتعديل لتحديد نوافذ التشغيل المثلى لتقليل معدل خطأ البت (BER). تُظهر الدراسة أن نماذج التعلم العميق يمكنها بفعالية التقاط عدم الخطية المعقدة في الأجهزة وتأثيرات الذاكرة التي يصعب نمذجتها فيزيائياً. والأهم من ذلك، فإن إثبات التطور الخطي للأوزان بين نطاقات التشغيل يسمح بإنشاء محاكيات دقيقة للغاية للحالات المتوسطة بشكل فوري دون الحاجة إلى بيانات تجريبية إضافية. وهذا يرسخ الإطار كأداة عملية وقابلة للتوسع للنماذج الأولية السريعة للوصلات البينية داخل مراكز البيانات من الجيل التالي، القادرة على العمل عند الحدود الحرجة لصلاحية النظام (مثل تلبية نسبة SNR الكهربائية المطلوبة البالغة ~16.5 ديسيبل لعتبات FEC KP4 لشبكة Ethernet 400G).