Addressing hardware limitations in silicon photonics for scalable optical interconnects and neural networks

Abstract

The rapid growth of data-center applications, including AI (Artificial Intelligence) and cloud computing, has placed unprecedented demands on communication and computing infrastructures, particularly in terms of bandwidth, energy efficiency, and latency. Silicon photonics has emerged as a promising technology to address these challenges, offering high bandwidth density, low energy per bit, and compatibility with mature CMOS (Complementary Metal-Oxide-Semiconductor) fabrication processes. However, the deployment of photonic systems at scale remains constrained by a range of system-level challenges, including thermal sensitivity of resonant devices, susceptibility to analog noise and variability, and the mismatch between photonic hardware characteristics and conventional digital signal processing and machine learning frameworks. This thesis addresses these challenges through a system-level approach that integrates photonic hardware, control mechanisms, and learning algorithms. The first contribution presents a dual-feedback stabilization framework for ring-based silicon photonic transmitter architectures, enabling robust operation of both passive and active resonant devices under temperature variations and wavelength drift. The proposed approach leverages ContactLess Integrated Photonic Probes (CLIPPs) and introduces a second derivative-based locking mechanism, achieving stable performance in wavelength-division multiplexed interconnect systems, which open the path for their implementation in data center applications. The second contribution focuses on improving the robustness of Photonic Neural Networks (PNNs) against hardware-induced noise and limited bit precision. A noise-resilient training and inference methodology is introduced, incorporating dual-phase quantization and activation-function slope adaptation to align neural network operation with the physical constraints of analog photonic hardware. Experimental validation using a photonic–electronic multiply–accumulate neuron (PEMAN) demonstrates improved classification accuracy and improved performance, compared to conventional neural network configurations, under increasing noise and bandwidth limitations. The third contribution introduces optics-informed neural networks for optical communication systems, in which activation functions are derived directly from the nonlinear response of optical devices. By embedding these physically informed nonlinearities into an end-to-end deep learning framework for intensity-modulated direct-detection (IM/DD) links, the proposed approach enables more effective compensation of chromatic dispersion, nonlinearities and noise. Both simulation and experimental results demonstrate significant improvements in bit-error-rate (BER) performance and transmission reach compared to conventional neural network implementations based on digital activation functions. Collectively, these contributions establish a framework for scalable photonic systems based on the co-design of hardware, control, and learning layers. This work bridges some of the gaps between photonic device innovation and practical deployment, enabling more robust, efficient, and adaptive photonic platforms for next-generation communication and computing applications.

Η ραγδαία ανάπτυξη εφαρμογών οι οποίες σχετίζονται με τα κέντρων δεδομένων, συμπεριλαμβανομένων της Τεχνητής Νοημοσύνης (Artificial Intelligence - AI) και του cloud computing, έχει επιβάλει πρωτοφανείς απαιτήσεις στις υποδομές επικοινωνίας και υπολογισμού, ιδιαίτερα όσον αφορά το εύρος ζώνης, την ενεργειακή απόδοση και την καθυστέρηση μετάδοσης σημάτων. Οι πλατφόρμες πυριτίου βασιζόμενες στην φωτονική τεχνολογία έχουν αναδειχθεί ως πολλά υποσχόμενες για την αντιμετώπιση αυτών των προκλήσεων, προσφέροντας υψηλό εύρος ζώνης, χαμηλή κατανάλωση ενέργειας και συμβατότητα με τις εδραιωμένες διαδικασίες κατασκευής ημιαγωγών CMOS (Complementary Metal-Oxide-Semiconductor). Ωστόσο, η ανάπτυξη φωτονικών συστημάτων σε μεγάλη κλίμακα εξακολουθεί να περιορίζεται από μια σειρά προκλήσεων σε επίπεδο συστήματος, όπως η θερμική ευαισθησία των διατάξεων που βασίζονται σε δομές συντονισμού, η ευαισθησία στον αναλογικό θόρυβο και στις μεταβολές των χαρακτηριστικών, καθώς και η ασυμβατότητα μεταξύ των χαρακτηριστικών της φωτονικής πλατφόρμας και των συμβατικών μεθόδων ψηφιακής επεξεργασίας σήματος και μηχανικής εκμάθησης (Machine Learning). Η παρούσα διατριβή αντιμετωπίζει αυτές τις προκλήσεις μέσω μιας προσέγγισης σε επίπεδο συστήματος που ενοποιεί την φωτονική πλατφόρμα, τους μηχανισμούς ελέγχου και τους αλγορίθμους μάθησης. Το πρώτο μέρος παρουσιάζει μια μέθοδο για τον έλεγχο και στην σταθερή λειτουργεία μικροδακτυλιών συντονισμού η οποία βασίζεται στην τεχνική διπλής ανάδρασης και εφαρμόζεται σε αρχιτεκτονικές πομποδεκτών, επιτρέποντας την αξιόπιστη λειτουργία τόσο παθητικών όσο και ενεργών συντονιστικών διατάξεων υπό μεταβολές θερμοκρασίας και μετατόπιση μήκους κύματος. Η προτεινόμενη προσέγγιση αξιοποιεί τους ContactLess Integrated Photonic Probes (CLIPPs) και εισάγει έναν μηχανισμό κλειδώματος βασισμένο στη δεύτερη παράγωγο, επιτυγχάνοντας σταθερή λειτουργία σε συστήματα πολυπλεξίας μήκους κύματος (WDM), ανοίγοντας τον δρόμο για την υλοποίησή τους σε εφαρμογές κέντρων δεδομένων. Το δεύτερο μέρος επικεντρώνεται στη βελτίωση της ανθεκτικότητας των Φωτονικών Νευρωνικών Δικτύων (Photonic Neural Networks - PNNs) απέναντι στον θόρυβο που προκαλείται από την αναλογική φύση των φωτονικών συστημάτων και στην περιορισμένη ακρίβεια bit. Παρουσιάζεται μία μεθοδολογία εκπαίδευσης και υλοποίησης του νευρωνικού δικτύου η οποία ενσωματώνει την ποσοτικοποίηση των τιμών σε δύο φάσεις και την προσαρμογή της κλίσης της συνάρτησης ενεργοποίησης, ώστε η λειτουργία του νευρωνικού δικτύου να ευθυγραμμίζεται με τους φυσικούς περιορισμούς του αναλογικού φωτονικού συστήματος. Η πειραματική επαλήθευση μέσω ενός φωτονικο-ηλεκτρονικού νευρώνα multiply–accumulate (PEMAN) καταδεικνύει βελτιωμένη ακρίβεια ταξινόμησης και συνολική απόδοση, υπό αυξανόμενο θόρυβο και περιορισμούς εύρους ζώνης σε σύγκριση με τις συμβατικές αρχιτεκτονικές νευρωνικών δικτύων,. Η τρίτη συνεισφορά εισάγει νευρωνικά δίκτυα εμπνευσμένα από την οπτική φυσική (optics-informed neural networks) για συστήματα οπτικών επικοινωνιών, στα οποία οι συναρτήσεις ενεργοποίησης προκύπτουν άμεσα από τη μη γραμμική απόκριση οπτικών διατάξεων. Με την ενσωμάτωση αυτών των φυσικά καθοδηγούμενων μη γραμμικοτήτων σε ένα end-to-end δίκτυο βαθιάς μάθησης, σε συστήματα διαμόρφωσης έντασης και άμεσης ανίχνευσης (IM/DD), η προτεινόμενη προσέγγιση επιτρέπει αποτελεσματικότερη αντιστάθμιση της χρωματικής διασποράς, των μη γραμμικοτήτων και του θορύβου. Τόσο τα αποτελέσματα προσομοιώσεων όσο και τα πειραματικά αποτελέσματα καταδεικνύουν σημαντικές βελτιώσεις στην απόδοση του ρυθμού σφαλμάτων bit (BER) και στην απόσταση μετάδοσης, σε σύγκριση με συμβατικές υλοποιήσεις νευρωνικών δικτύων που βασίζονται σε ψηφιακές συναρτήσεις ενεργοποίησης. Συνολικά, οι συνεισφορές αυτές θεμελιώνουν ένα πλαίσιο για φωτονικά συστήματα μεγάλης κλίμακας, βασισμένο σε ένα κοινό πλαίσιο σχεδιασμού του hardware, των μηχανισμών ελέγχου και των αλγορίθμων μάθησης. Η εργασία αυτή γεφυρώνει ένας μέρος του χάσματος μεταξύ της καινοτομίας στις φωτονικές διατάξεις και της πρακτικής υλοποίησης τούς, επιτρέποντας πιο αξιόπιστες, αποδοτικές και προσαρμοστικές φωτονικές πλατφόρμες για εφαρμογές στις οπτικές τηλεπικοινωνίες και οπτικών υπολογιστικών μονάδων επόμενης γενιάς.