1. 课程导入与全景认知
在数据中心、高性能计算与AI集群中，电互连的带宽密度和传输距离正逼近物理极限。当单通道速率超过100 Gb/s、铜缆传输距离超过2～3米时，信号衰减、串扰和功耗问题急剧恶化。光互连通过将电信号转换为光信号，利用光纤实现长距离、高带宽、低损耗传输，成为突破电互连瓶颈的关键技术路径。本课程聚焦的核心问题是：如何让负责电信号收发的SerDes与负责光电转换的光引擎协同工作，使整个链路在带宽、功耗、延迟和可靠性上达到最优。
一、两个核心对象的定义与边界
SerDes（串行器/解串器）是电域的高速串行接口电路。发送端将并行数据串行化，经均衡、驱动后输出高速电信号；接收端通过连续时间线性均衡（CTLE）、判决反馈均衡（DFE）和时钟数据恢复（CDR）重建数据。SerDes的核心职责是在电域内保证信号完整性，其输出是高速电信号，接口对象是封装内的电通道或连接器。
光引擎（Optical Engine）是完成电光转换的功能模块，通常包含激光器（如EML或VCSEL）、调制器（如MZM或EAM）、光电探测器（PD）、跨阻放大器（TIA）和驱动电路。光引擎的输入是SerDes输出的高速电信号，输出是调制后的光信号；接收方向则相反，将光信号转换为电信号后送回SerDes。
两者的边界在于电接口：SerDes的差分输出（如100 mVppd至800 mVppd）通过封装内走线或柔性电路板连接到光引擎的驱动器输入。这个接口的电特性——阻抗匹配、回波损耗、带宽——直接决定协同设计的成败。边界之外，SerDes不关心光的波长和调制格式，光引擎也不关心SerDes的均衡算法，但边界上的信号质量是双方共同的责任。
二、典型应用场景
光互连SerDes与光引擎的协同设计主要服务于三类场景。第一类是数据中心内部互连，包括交换机与服务器之间的800G/1.6T光模块，典型传输距离为500米至2公里，要求高带宽密度和低功耗，每通道功耗通常需控制在5～8 pJ/bit。第二类是AI集群的GPU间互连，如NVIDIA NVLink的光学扩展方案，要求极低延迟（端到端<100 ns）和高可靠性，因为GPU同步训练对链路中断极为敏感。第三类是板级与芯片级光互连，如共封装光学（CPO），将光引擎与交换ASIC封装在同一基板上，SerDes与光引擎的距离缩短到厘米级，电接口损耗大幅降低，但散热和可维护性成为新的设计约束。
三、整体设计流程
协同设计的整体流程可以概括为五个阶段，但各阶段之间存在迭代反馈。第一阶段是需求分解：根据应用场景确定链路预算，包括总带宽、传输距离、误码率目标（通常为1E-12或1E-15）、功耗预算和成本约束。第二阶段是电-光接口定义：确定SerDes输出摆幅、光引擎驱动输入阻抗、调制器类型和偏置点。第三阶段是联合仿真：将SerDes的IBIS-AMI模型与光引擎的等效电路模型级联，在频域和时域分别评估眼图和BER。第四阶段是协同优化：调整SerDes的均衡参数（如DFE抽头系数）和光引擎的调制效率，使整体性能最优。第五阶段是测试验证：通过误码仪和光示波器测量实际链路性能，并与仿真结果对比。
四、关键指标与协同关系
协同设计的关键指标可以分为电域、光域和系统级三个层次。电域指标包括SerDes的发送眼高、抖动（随机抖动RJ和确定性抖动DJ）、接收灵敏度；光域指标包括光调制幅度（OMA）、消光比、波长稳定性和接收光灵敏度；系统级指标则包括误码率（BER）、功耗效率（pJ/bit）、延迟和链路余量。
这些指标之间存在耦合关系。例如，SerDes的发送眼高不足会降低光引擎调制器的驱动电压，导致消光比下降，进而恶化接收端BER。反过来，光引擎的调制带宽不足会引入码间干扰，迫使SerDes的DFE增加抽头数量，增加功耗和延迟。因此，协同设计的核心是在这些耦合关系中寻找全局最优解，而不是单独优化某一侧。
五、一个简化的链路预算示例
假设设计一个800G光模块，采用8通道×100 Gb/s的架构。SerDes单通道输出差分摆幅为600 mVppd，经过封装走线后到达光引擎驱动器输入端的信号幅度衰减至约450 mVppd（插入损耗约2.5 dB）。光引擎采用EML调制器，驱动电压需求为1.5 Vpp，因此驱动器需要提供约10.5 dB的增益。调制器输出光功率为+3 dBm，消光比为6 dB，经过2公里光纤传输后损耗约1 dB，接收端PD灵敏度为-10 dBm。链路余量计算为：+3 dBm - 1 dB - (-10 dBm) = 12 dB，扣除消光比和老化余量后仍有约6 dB余量，满足设计目标。这个示例说明，协同设计需要同时考虑电域增益分配和光域功率预算，任何一侧的指标恶化都会压缩整体余量。
通过本章的学习，读者应建立起光互连SerDes与光引擎协同设计的全景认知：明确两个核心对象的定义和边界，理解典型应用场景对设计的约束，掌握整体设计流程的五个阶段，并能够识别关键指标之间的耦合关系。这些认知将作为后续深入学习的基础框架。