3月13日，記者從復旦大學獲悉，該校信息科學與工程學院張俊文研究員、遲楠教授與相關研究團隊開展合作，提出了基于多維光子復用的創新范式，實現了在時域、空域、頻域的多維并行信號傳輸，為后摩爾時代的算力發展提供了全新物理載體。相關研究成果發表在國際期刊《自然·通訊》上。
語音助手、智能搜索、圖像生成……人工智能正日益融入我們的日常生活，成為不可或缺的一部分。無論是通過DeepSeek進行精準檢索，借助ChatGPT進行智能交互，還是依托各類AI助手優化工作效率，人工智能（AI）技術極大地提升了我們的便捷性與生產力。然而，隨著AI模型規模的持續擴大，智算芯片間、算力節點間的通信帶寬不足的問題愈發突出。傳統電子互連方式已難以滿足GPU集群、超級計算中心和云計算平臺對高速、大容量、高效能數據交換的需求。尤其是在大模型訓練過程中，海量參數需要在計算節點之間頻繁傳輸，互連帶寬不足不僅降低系統響應速度，甚至可能導致宕機，嚴重影響計算效率與用戶體驗。這一“通信瓶頸”已成為智能計算發展的關鍵挑戰。
如何突破電子傳輸在帶寬與能耗方面的物理限制，構建以光子為信息載體的新型互連架構？
研究團隊通過精確設計和優化，將多維復用技術引入片上光互連架構，不僅顯著提升了數據傳輸吞吐量，同時在功耗和延遲方面表現卓越，具備極強的擴展性和兼容性，適用于多種高性能計算場景。在此基礎上，團隊設計并研制了一款硅光集成高階模式復用器芯片，實現了超大容量的片上光數據傳輸。實驗結果表明，該芯片可支持每秒38Tb的數據傳輸速度，意味著未來1秒可完成大模型4.75萬億的參數傳遞，顯著提升了大模型訓練與計算集群間的通信性能和可靠性，為人工智能、大模型訓練及GPU加速計算等應用提供了強有力的支持。
這一技術突破不僅為數據中心和高性能計算服務器的光互連系統提供了新的解決方案，也為人工智能、大規模并行計算及大模型訓練奠定了堅實的技術基礎。
研究團隊表示，未來將進一步優化該技術，并推動其在GPU加速計算、人工智能大模型訓練、大數據處理等領域的應用落地。隨著技術的不斷演進，該方案有望為下一代光互連通信系統和算力網絡升級提供更高效、低功耗的解決方案。
3月13日，記者從復旦大學獲悉，該校信息科學與工程學院張俊文研究員、遲楠教授與相關研究團隊開展合作，提出了基于多維光子復用的創新范式，實現了在時域、空域、頻域的多維并行信號傳輸，為后摩爾時代的算力發展提供了全新物理載體。相關研究成果發表在國際期刊《自然·通訊》上。
語音助手、智能搜索、圖像生成……人工智能正日益融入我們的日常生活，成為不可或缺的一部分。無論是通過DeepSeek進行精準檢索，借助ChatGPT進行智能交互，還是依托各類AI助手優化工作效率，人工智能（AI）技術極大地提升了我們的便捷性與生產力。然而，隨著AI模型規模的持續擴大，智算芯片間、算力節點間的通信帶寬不足的問題愈發突出。傳統電子互連方式已難以滿足GPU集群、超級計算中心和云計算平臺對高速、大容量、高效能數據交換的需求。尤其是在大模型訓練過程中，海量參數需要在計算節點之間頻繁傳輸，互連帶寬不足不僅降低系統響應速度，甚至可能導致宕機，嚴重影響計算效率與用戶體驗。這一“通信瓶頸”已成為智能計算發展的關鍵挑戰。
如何突破電子傳輸在帶寬與能耗方面的物理限制，構建以光子為信息載體的新型互連架構？
研究團隊通過精確設計和優化，將多維復用技術引入片上光互連架構，不僅顯著提升了數據傳輸吞吐量，同時在功耗和延遲方面表現卓越，具備極強的擴展性和兼容性，適用于多種高性能計算場景。在此基礎上，團隊設計并研制了一款硅光集成高階模式復用器芯片，實現了超大容量的片上光數據傳輸。實驗結果表明，該芯片可支持每秒38Tb的數據傳輸速度，意味著未來1秒可完成大模型4.75萬億的參數傳遞，顯著提升了大模型訓練與計算集群間的通信性能和可靠性，為人工智能、大模型訓練及GPU加速計算等應用提供了強有力的支持。
這一技術突破不僅為數據中心和高性能計算服務器的光互連系統提供了新的解決方案，也為人工智能、大規模并行計算及大模型訓練奠定了堅實的技術基礎。
研究團隊表示，未來將進一步優化該技術，并推動其在GPU加速計算、人工智能大模型訓練、大數據處理等領域的應用落地。隨著技術的不斷演進，該方案有望為下一代光互連通信系統和算力網絡升級提供更高效、低功耗的解決方案。
本文鏈接：我國研究團隊構建以光子為信息載體的新型互連架構http://m.sq15.cn/show-2-11146-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。