Recasting maximum-likelihood sequence estimation as optoelectronic Ising dynamics for bandwidth-limited optical interconnects
本文提出了一种光电伊辛机，它将最大似然序列估计重新表述为一个能量最小化问题，通过将计算密集型的序列搜索任务卸载到物理演化过程，从而实现带宽受限的光互连中高速、低误码率的数据传输。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一个巨大的、高速的公路系统，数据以光脉冲的形式在其中穿行。多年来，工程师们一直试图在这些车道上塞进越来越多的汽车（数据），以满足我们对视频、游戏和人工智能的渴求。但问题在于：道路并不完全平坦。随着车辆行驶速度的加快，它们开始互相碰撞、相互模糊，这种现象被称为“码间干扰”（inter-symbol interference）。这就像是在一个多风的山谷里向朋友大声朗读一份词单；你之前单词的回声与新的单词混杂在一起，使得信息难以被清晰地听清。
为了解决这个问题，工程师通常会使用一种名为“最大似然序列估计”（MLSE）的数字“降噪”系统。你可以把它想象成一个超级聪明的侦探，他观察整个混乱的信息，并试图通过计算每一种可能的组合来猜出原始的词单。问题在于，随着信息变得越来越长、道路变得越来越颠簸，这位侦探必须检查如此之多的组合，以至于他感到力不从心，消耗了大量的能量和时间。这就像是试图通过逐一检查每一条路径来解决一个巨大的迷宫；最终，你在找到出口之前就会耗尽电池。
正是在这里，来自中山大学的一个研究团队提出了一个巧妙的新想法。他们问道：“如果我们不再让一个数字侦探逐一检查路径，而是让物理学来承担重任呢？”他们将寻找最佳信息的数学问题，重新构造成一个能量最小化的问题，类似于材料中的磁体（自旋）如何自然地趋向于低能状态。他们构建了一台特殊的机器——“光电伊辛机”（optoelectronic Ising machine），利用光和电，在物理层面上让问题像“滑动”一样，顺着山坡滑落，直到它自然而然地找到最低点——即正确的信号。
在实验中，他们在一条带宽受限的光学链路（光纤连接，带宽为 55 GHz）上测试了这种新型接收机。他们成功实现了惊人的传输速度：使用简单的两电平信号（PAM-2）时达到 215 Gb/s，使用四电平信号（PAM-4）时在 500 米的标准光纤上达到 250 Gb/s。至关重要的是，他们发现与传统的数字方法相比，这种物理方法在寻找答案时使用的能量和时间显著减少，尤其是在信号干扰严重的情况下。他们不仅仅是在计算机上进行模拟，而是构建了硬件并测量了结果，证明了这位“基于物理学的侦探”可以在保持极高数据传输速率的同时节省功耗。
研究人员还明确了这项技术“不是”什么。它并不是一个在信号到达检测器之前就将其修复的魔棒，也不是要完全取代计算机的数字大脑。相反，它充当了一个专门的加速器，负责处理任务中最困难的部分：序列搜索。虽然系统的数字部分仍然负责设置和最终检查，但那项杂乱且耗能的任务——猜测正确的序列——则被卸载到了这台物理机器上。论文指出，虽然数字方法仍然是最准确的基准，但这种新方法提供了一个实际的权衡方案：以极小的性能损失换取巨大的速度和能量效率提升，这使其成为未来数据中心的有力工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。