复旦大学研究团队突破AI大模型训练瓶颈：多维复用技术提升光互连架构效率

随着人工智能（AI）模型规模的持续扩展，智能计算芯片和计算功率节点之间的通信带宽不足的问题变得越来越突出。传统的电子互连方法不再能够满足高速，大容量和高效数据交换的GPU群集，超级计算中心和云计算平台的需求。特别是在训练大型模型期间，需要在计算节点之间经常传输大量参数。互连带宽不足不仅会降低系统响应速度，而且甚至可能导致停机时间，从而严重影响计算效率和用户体验。

如何从带宽和能量消耗方面打破电子传输的物理局限性，并与光子作为信息载体建立新的互连体系结构？

Recently, Researcher Zhang Junwen and Professor Chi Nan from the School of Information Science and Engineering of Fudan University cooperated with relevant research teams to introduce multi-dimensional multiplexing technology into the on-chip optical interconnect architecture through precise design and optimization, which not only significantly improves data transmission throughput, but also performs excellently in power consumption and delay, has strong scalability and compatibility, and is suitable for a variety of高性能计算方案。

在此基础上，团队设计并开发了硅光学集成高阶模式多路复用器芯片，以实现超大容量在芯片光学数据传输上。实验结果表明，该芯片可以支持每秒38TB的数据传输速度，这意味着可以在下一秒钟内完成4.75万亿元的参数传输，这可以显着提高大型模型培训和计算机群之间的通信性能和可靠性，并为人工智能，大型模型培训和GPU ACCELED COMPUTING等应用提供强大的支持。

这一技术突破不仅为数据中心和高性能计算服务器的光学互连系统提供了新的解决方案，而且还为人工智能，大规模并行计算和大规模培训奠定了坚实的技术基础。相关研究结果发表在《国际杂志自然传播》中。