用智能方法设计量子点半导体光放大器

---翻译自Farideh Hakimiyan , Vali Derhami2011年的文章

摘要

量子点半导体光放大器（QD-SOA）具有全光信号处理和信号再生等突出特点，因此被广泛应用于光通信系统。由于这些放大器的纳米结构，其精确设计和建模是一个复杂而具有挑战性的问题。本文探讨了 QD-SOA 的设计问题。我们提出了一种基于遗传算法的新方法来设计 QD-SOA。由于设计时必须要有一个模型，因此第一步是获得一个数值模型。然后，利用从数值模型中提取的训练数据建立人工神经网络模型。实验表明，所提出的神经网络模型精度高、计算时间短。下一步，我们将设计问题转化为遗传算法问题。利用神经模型，定义合适的拟合函数。用户可以通过设置设计参数的权重来优化生产成本。建议的系统能找到 最佳解决方案，以满足生产成本方面的预期收益。

1. 引言

如今，量子点半导体光放大器（QD-SOA）被用于光纤通信网络中的高速放大和全光信号处理。QD-SOA 包含一个与光有量子力学相互作用的纳米结构层[1]-[2]。

量子点半导体光放大器（SOA）放大和处理光信号的理论是基于密度矩阵方程来处理电子-光相互作用和光脉冲传播的[3]。这就造成了量子点半导体光放大器（SOA）设计的复杂性。因此，采用智能方法对该放大器进行优化设计是非常有用的。遗传算法（GA）可根据所需的增益确定最佳的模型输入量。要进行这种设计，必须要有人工神经网络（ANN）模型和数值数据。本文设计了一种具有所需增益的 QD-SOA。本文的组织结构如下： 第 2 节介绍 QD-SOA 的 ANN 模型。第 3 节介绍了遗传算法的优化设计。最后，第 4 节是结论。

2. QD SOA ANN 模型

人工神经网络通过计算数字数据来学习一般规则。人工神经网络最小的部分就是神经元。图 1 显示了一个神经元的示意图。它接收来自其他神经元的输入，也可能接收来自外部的输入。每个输入 x 都有一个相关的权重 w，可以对其进行修改，从而建立学习模型。神经元计算其输入加权和的函数 f：

添加图片注释，不超过 140 字（可选）

f是传递函数。常见的传递函数之一是Sigmoid函数，它是 这是一种数学函数，通常用于神经网络，以在模型中引入非线性和/或确保某些信号保持在指定范围内。Sigmoid函数的定义公式为 ：

添加图片注释，不超过 140 字（可选）

最常见的网络结构是多层前馈网络。在前馈网络中，神经元以层的形式组织。一层中的神经元从上一层获得输入，并将其输出反馈到下一层。在这种网络中，不允许与同一层或前一层的神经元连接。最后一层神经元称为输出层，输入层和输出层之间的层称为隐藏层。输入层由特殊的输入神经元组成，只将外部输入传输到其输出端。

添加图片注释，不超过 140 字（可选）

在一个网络中，如果只有一个或多个隐藏层，这种网络就称为多层网络。反向传播算法已成为设计一类特殊的分层前馈网络（称为多层感知器）的主要方法。

首先，我们收集了 1.3-μm 波长 InAs/GaAs QD-SOA 的数据。为此，我们采用数值方法对上述 QD-SOA 进行了建模。有关 QD-SOA 数值模型的详细信息，请参阅 [4]。本文介绍了一个人工神经网络模型。经过多次尝试，并倾向于采用更简单的模型，最终选择了具有一个隐藏层、四个输入和一个输出的前馈式人工神经网络。该神经网络模型的输入为设备长度、有源介质有效厚度、应用电流密度和约束因子，输出为放大器增益。该模型中使用的算法是反向传播算法，因为该算法不需要非常精确的数据，获得的数据分为三个部分：训练数据、检查数据和测试数据。ANN 模型通过训练数据进行训练。校验数据用于防止过度拟合问题。测试数据用于评估 ANN 模型。隐层和输出层的传递函数分别为 Sigmoid 函数和纯线函数。

我们在隐层中使用不同的神经元训练了前馈方差网络模型。性能指标为均方误差。由于非最佳响应和收敛到局部最小值的原因，ANN 需要进行多次训练，并且训练数据不能定期处理。在这种情况下，我们获得了最佳响应。表 1 列出了训练 ANN 的一些结果。

添加图片注释，不超过 140 字（可选）

可以看出，隐藏层中有 17 个神经元的 ANN 取得了最佳结果。在该模型中，测试数据的均方误差小于 0.0007，表明模型的准确性很高。

3.遗传算法优化设计

遗传算法是基于达尔文理论的优化算法。基本上，遗传算法选择设计参数作为 "亲代"，通过重组亲代参数中的成分形成 "子代"。 子代 "取代系统中的弱参数并参与竞争，当它们的条件得到满足时，就会被激活并进行测试 [5]。因此，遗传算法可以粗略但高速地模拟作为进化基础的遗传过程。

本研究的目的是设计具有所需增益的放大器。为实现这一目的，需要根据所需的增益优化有效参数。这意味着，在优化有效参数的同时，要以最小的成本获得理想的增益。这种方法使用了遗传算法。

在为参数优化建立模型和定义适当的 ANN 结构后，方法是通过 MATLAB 软件的 GA 工具箱来实现 方法是通过 MATLAB 软件的 GA 工具箱获得所需的增益。首先，定义问题变量和合适度函数。问题变量与 ANN 模型的输入变量相同。Fitness Function 已给出：

添加图片注释，不超过 140 字（可选）

如图所示，Fitness Function 包含两个项。第一项与算法误差有关，其中 h 已给出：

添加图片注释，不超过 140 字（可选）

其中，GActual 是实际增益，GDesired 是期望增益，由 ANN 模型得出。第二个与有效参数有关，称为成本函数。成本函数如下：

添加图片注释，不超过 140 字（可选）

其中，xi 是算法的变量（ANN 模型中的 4 个输入参数），wi 是变量的相关权重。这意味着重要性越高（成本越高）的变量权重越大。在拟合度函数中，如果实际收益大于期望收益，则省略第一项，只用成本 函数变得重要。Fitness Function 的第一项和第二项的值是通过选择合适的值来定义。

在这项研究中，使用 17 个神经元的 ANN 获得了实际增益，并通过 MATLAB 软件中的 GA 工具箱定义了优化的 实验来确定优化的有效参数。首先，通过连续的实验，获得最佳的合适度函数和 v 值。当轮盘作为选择函数和 在最佳条件下，v 值在 100 到 400 之间。然后，针对不同的权重重复实验。实验结果如表 2 所示。

添加图片注释，不超过 140 字（可选）

实验结果表明，当 v 值为 250，权重为 [5 1 2 5] 时，拟合度最佳。一般来说，考虑到所需的增益，GA 有可能找到 QD-SOA 中有效参数的最佳值。

4. 结论

在这项工作中，介绍了一种考虑到预期增益而确定模型输入量最优化的新方法。这种方法使用了遗传算法。根据遗传算法的实验，确定了最优设计的最佳选择函数、交叉和第一种群，并对最佳拟合函数进行了优化。总体而言，考虑到所需的增益，所提出的方法在材料成本方面给出了合适的结果。

参考文献

1. A.J. Zilkie et al, "Carrier Dynamics of Quantum-Dot, Quantum-Dash, and Quantum-Well Semiconductor Optical Ampli¿ ers Operating at

1.55 ȝm", IEEE, No. 11 (2007) 43, p-p. 982.991.

2. A. Bilenca et al, "Broad-Band Wavelength Conversion Based on Cross-Gain Modulation and Four-Wave Mixing in InAs–InP Quantum

Dash Semiconductor Optical Amplifiers Operating at 1550 nm", IEEE, No. 4 (2003) 15, p.p. 563-565.

3. M. Sugawara et al, "Theory of Optical Signal Ampli¿ cation and Processing by Quantum-Dot Semiconductor Optical Ampli¿ ers",

PHYSICAL REVIEW, B, 69(23),235332(39), (2004).

4. F.Hakimiyan et al," Modeling Quantum Dot Semiconductor Optical Amplifier Using Artificial Neural Network", presented in 3rd

International Congress on Nanoscience and Nanotecnology(ICNN2010), held by Shiraz University in co-opreration with the Iranian Nano

Society(INS).

5. R. Haupt et al, Practical Genetic Algorithm, Wiley, New Jersy, 2004.

注：本文由天津见合八方光电科技有限公司挑选并翻译，旨在推广和分享相关SOA基础知识，助力SOA技术的发展和应用。特此告知，本文系经过人工翻译而成，虽本公司尽最大努力保证翻译准确性，但不排除存在误差、遗漏或语义解读导致的不完全准确性，建议读者阅读原文或对照阅读，也欢迎指出错误，共同进步。天津见合八方光电科技有限公司（http://tj.jhbf.cc)是国内专业SOA供应商。天津见合八方依托于清华大学天津电子院光电集成微系统研究所，于2019年合作成立，公司致力于研发国产半导体光放大SOA技术及光子集成技术，目前已推出全系列SOA产品，包括1050nm，1270nm，1310nm和1550nm 全波段SOA光芯片、SOA COC、SOA蝶形器件等。