Lehrstuhl für Nachrichtenübertragungstechnik

Optisches Reservoir Computing

 

Neuromorphe Signalverarbeitung (NSP) ist in den vergangenen Jahren als Alternative zu klassischen Signalverarbeitungsalgorithmen und -prozessen entwickelt worden. Optische Übertragungssysteme können hiervon besonders profitieren, da NSP auch die Kompensation von Nichtlinearitäten ermöglicht. Anstatt die Signalverarbeitung explizit in den digitalen Signalprozessor (DSP) oder FPGA zu programmieren, verwendet die neuromorphe Signalverarbeitung einen fundamental anderen Ansatz. Sie verwendet künstliche neuronale Netzwerke (KNN), in denen die Maschine trainiert wird, ein grundlegendes physikalisches Modell zu lernen, auf dem die Signalverarbeitung basiert. Es ist jedoch äußerst anspruchsvoll, solch ein maschinelles Lernverfahren für Echtzeitsignalverarbeitung bei den geforderten Datenraten von mehreren hundert Gb/s zu implementieren. Dies wird zukünftig noch schwieriger werden, wenn die Datenraten weiterhin exponentiell ansteigen. Es kann z.Z. vorhergesehen werden, dass die Signalbandbreite von elektronischen Schaltungen in der Größenordnung von etwa 100 GHz bis zu einigen hundert GHz mittelfristig verweilen wird. Deshalb ist es ratsam, einige Signalverarbeitungsschritte in die optische Ebene zu verschieben, in der viel größere Bandbreite von einigen THz schon heute zur Verfügung steht.

Photonische Reservoircomputer (RC) können in skalierbarer Hardware implementiert werden, was einzigartig ist unter KNN. Im RC müssen nur der Eingang und Ausgang des KNN adaptiv ausgelegt werden und nicht das Netzwerk selbst. Die Verbindungen werden als sogenannte „Blackbox“ angenommen, so dass die Perzeptronen frei definiert werden können. Da die Transformation in einen höherdimensionalen Zustand in dem Reservoir erfolgt, ist auf der Ausgangsseite nur ein lineares Problem zu lösen.

Die primäre Aufgabenstellung in unseren Forschungsarbeiten besteht darin, einen photonischen Reservoircomputer zu analysieren basierend auf einer Silizium Mikroringstruktur, die die Signalverzerrungen eines faseroptischen Übertragungssystems kompensieren soll. Solche Ringstrukturen sind insbesondere gut geeignet für die Integration in existierende Mikroelektronik Foundries.

 

 

in Kooperation mit         tu-dresden

 

 

Veröffentlichungen:

 

  1. S. Li, S. Pachnicke, "(Invited) Photonic Reservoir Computing in Optical Transmission Systems", IEEE Summer Topicals, Cabo San Lucas, Mexico, July 2020.
  2. S. Li, S. Dev, K. Jamshidi, S. Pachnicke, "Photonic Reservoir Computing enabled by Active Silicon Micro-Rings with Transparent Signal Injection", Conference on Lasers and Electro-Optics (CLEO 2020), San Jose, USA, May 2020.
  3. S. Dev, S. Li, S. Pachnicke, K. Jamshidi, "Optimization of a silicon micro-ring resonator for reservoir computing", ITG-Workshop "Modelling of Photonic Components & Systems", Karlsruhe, Germany, February 2020.
  4. S. Li, S. Dev, S. Ohlendorf, K. Jamshidi, S. Pachnicke, "Photonic Reservoir Computing enabled by Silicon Micro-Rings", Asia Communications and Photonics Conference (ACP 2019), Chengdu, China, November 2019.
  5. S. Li, S. Ohlendorf, S. Pachnicke, "100 km 56 GBd PAM-4 Transmission using Photonic Reservoir Computing", European Conference on Optical Communication (ECOC 2019), Dublin, Ireland, September 2019.
  6. S. Li, S. Pachnicke, "Evaluation of Photonic Reservoir Computing for Use in Short Reach PAM-4 Transmission Systems", ITG Conference "Photonic Networks", Leipzig, Germany, May 2019.