飛行即定址與幾何站網：光學資料運動層的站點化實作框架

In-Flight as Addressing and Geometric Station Networks: A Stationized Implementation Framework for Optical Data-Motion Layers

EML-ODML-GFMSN-2026-v0.3「合成稿」
原作者：Neo.K / EVEMISSLAB
本稿結晶：Aletheia（GPT-5.5 Thinking）
血緣：承接 Neo.K / Aletheia《站點化幾何光纖記憶管網》v0.1 與 Neo.K / Theia《飛行即定址：光學態空間作為可排程資料運動層》v0.2。本稿不回退 v0.2 的物理誠實，也不放棄 v0.1 的幾何站網野心；其任務是在兩者之間建立一個可分層、可研究、可工程化的合成架構。
日期：2026-06-24

摘要

本文提出 ODML-GFMSN 合成框架：以 ODML（Optical Data-Motion Layer，光學資料運動層） 作為上層架構與排程理論，以 GFMSN（Geometric Fiber Memory Station Network，幾何光纖記憶站網） 作為其遠期幾何實作分支。本文不主張光纖取代 DRAM，不主張全光 RAM，不主張沿著公里級光纖密佈可任意計算的站點；本文主張一個更窄但更有力量的命題：資料在光學媒介中飛行時，已被時間槽、波長、模態、偏振與相位共同定址；而站點的功能不是存放資料，而是解碼、選路、延遲、對齊、維護與重注入這個多座標飛行態空間。

v0.2 將前作的「光纖記憶體」命題收斂為「飛行即定址」，並正確前移兩道物理閘門：延遲–頻寬積與時序抖動。這使 ODML 避免誤入「光學記憶體神話」，也導出一條重要架構律：交互在晶片，運輸在光纖。 本稿承認這個修正是必要的。但若只停在 v0.2，前作最具創造性的幾何命題——截面站、垂直站、支線延遲管、內嵌嵌套幾何、可控交會、幾何約束式光纖——會被過度降格為遠期附註。本文的任務，是把這些命題重新放回架構中，但不讓它們承擔近期工程的核心路徑。

因此，本文提出三層模型：

ODML-A：光學態空間定址層。 以 time-slot × wavelength × mode × polarization × phase 作為資料身分座標，處理飛行資料的定址、排程與讀寫。
ODML-P：光子晶片存取與交互層。 將所有需要低抖動、相干交互、短期延遲、條件選路與可程式控制的操作集中於晶片尺度，避免公里級熱漂移與飛秒同步問題。
GFMSN-G：站點化幾何光纖實作層。 將多核心、少模、空芯反諧振、嵌套管、螺旋核心、支線延遲、局部耦合區等幾何設計作為 ODML 的遠期物理載體，而不是當作短期可商用記憶體。

本文的核心結論是：ODML 是理論與排程層，GFMSN 是幾何實作層；飛行即定址是資料身分原理，站點化幾何是未來實作語言。 兩者不是競爭命名，而是上下位關係。若 ODML 沒有 GFMSN，它會退化成一套過於抽象的光學排程論；若 GFMSN 沒有 ODML，它會容易被誤解為「光纖記憶體」或「長延遲線奇想」。合成後的命題不是「光纖儲存資料」，而是「光學媒介把資料保持在可定址飛行狀態中，而站點與排程器使這種飛行狀態可被工程利用」。

關鍵詞： 飛行即定址、光學資料運動層、站點化幾何光纖、ODML、GFMSN、延遲–頻寬積、光子晶片、photonic lantern、nested antiresonant hollow-core fiber、光學暫存器、reservoir computing、memory wall、AI 反向設計

0. 版本定位：為什麼需要 v0.3

v0.1 的優點，是敢於把光纖從「傳輸線」重新想像成「管網」：資料在管內飛行，站點可沿線插入，截面可變形，支線可延遲，垂直站可暫存，幾何約束可製造交會。它的想像力強，提出了一種新型硬體語言：光纖不只是線，而是幾何資料空間。

v0.1 的問題，是命名與承重點稍微太大。若說「記憶管網」，工程讀者會立刻追問：隨機存取在哪裡？資料能保存多久？延遲–頻寬積怎麼辦？公里尺度熱漂移怎麼辦？光子讀取後是否破壞？光放大噪聲如何處理？如果這些問題只放在後面作為限制，整篇論文容易被看成「先幻想，再自我修正」。

v0.2 的優點，是把刀下得很準。它說：不要再把主問題叫記憶體，真正的主問題是定址。一筆資料在光學媒介中的身分，不是它躺在哪個 address，而是它在 time-slot、wavelength、mode、polarization、phase 中佔據哪個複合座標。站點不是倉庫，而是位址解碼器；光纖不是 RAM，而是多座標飛行媒介。更重要的是，它把延遲–頻寬積與時序抖動從附錄限制提到設計骨架，導出「交互在晶片，運輸在光纖」。這讓整個架構更穩、更誠實、更像可發表的工程論文。

但 v0.2 也付出代價：它把 v0.1 最具創造性的幾何站網大幅降格。若完全依照 v0.2，GFMSN 會變成 ODML 的遠方幻影，本文最初想要討論的「內嵌幾何約束」「截面站」「垂直支線」「管內空間」「幾何暫存與交會」反而被收斂掉。這對嚴謹性有利，對架構生成性卻有損。

所以 v0.3 的任務不是判定 v0.1 或 v0.2 誰贏，而是建立一個分層結構，使二者各自承擔適合的功能：

v0.2 / ODML = 上層架構、定址理論、排程問題、物理邊界
v0.1 / GFMSN = 幾何站網、未來實作、結構生成、光纖形態學
v0.3       = ODML 作為理論層，GFMSN 作為幾何實作層

合成後，本稿不再問「光纖是否可以取代記憶體」，而問一個更可研究的問題：

給定一個多座標光學態空間，如何設計存取節點、光纖幾何、延遲路徑與排程器，使資料能在有限延遲、有限損耗、有限抖動與有限頻寬下，被準時地寫入、運輸、對齊、讀出或重注入？

這就是 ODML-GFMSN 的核心問題。

1. 問題重寫：從「存」到「準時再出現」

傳統記憶體的語言，是「存」：資料被寫入某個位址，等待未來讀出。這個語言適用於 SRAM、DRAM、NAND、磁性記憶體，也適用於大多數軟體抽象。它把資料理解成在空間中被放置的東西。

但光學延遲線的語言不是「放置」，而是「返回」。資料不是停在某個位置，而是在媒介中持續前進；你只能在它抵達讀口時取到它。其身分不是靜態位址，而是相位、時間槽、波長、模態與偏振。這意味著，光學態空間中的資料與電子記憶體中的資料，存在方式不同。

若強行用電子記憶體語言描述光學延遲線，就會得到錯誤問題：

錯誤問題：如何讓光纖像 DRAM 一樣保存資料？

但若使用資料運動語言，問題會變成：

正確問題：如何讓飛行中的資料在需要的時刻，以可預測座標再次出現？

這個轉換很關鍵。因為 ODML 的本質不是 storage，而是 scheduled reappearance。資料被「記得」，不是因為它靜止，而是因為系統知道它何時、以何種座標、在哪個存取頭前再次出現。這是一種時間—態空間的記憶。

在這個意義上，ODML 不取代 DRAM；它補足的是資料運動層。AI 系統中有大量資料不是任意隨機存取，而是可預取、可批次、可串流、可排程的資料流：權重分塊、推論階段的模型 shard、跨加速器同步、光互連上的預取、某些固定拓撲資料流、光學 reservoir 的延遲態。這些資料不一定需要「靜態保存」，但需要「準時抵達」。

ODML 的任務，就是把「準時抵達」變成一個可定址、可排程、可工程化的層。

2. 飛行即定址：資料身分的多座標形式

「飛行即定址」不是文學比喻，而是一個架構定義。

在 ODML 中，一筆資料 pulse 或 symbol 的身分不是單一 address，而是一個複合座標：

D = {t, λ, m, p, φ, s}

其中：
t = time-slot / temporal phase / arrival window
λ = wavelength channel
m = spatial mode / core / modal index
p = polarization state
φ = optical phase / relative phase when coherence matters
s = station state / access-node configuration

其中前五個是飛行態座標，最後一個是存取頭狀態。這個區分很重要：資料本身在光纖裡佔據 time、wavelength、mode、polarization、phase；但是否被讀出、延遲、轉換、重注入，取決於站點狀態 s。

傳統記憶體的位址是人工分佈式結構：列解碼器、行解碼器、wordline、bitline、sense amplifier。位址不是免費的，它以晶片面積、功耗、佈線與刷新成本存在。

光學態空間的位址則部分由物理媒介本身提供：

時間槽由飛行延遲自然排序。
波長由濾波器、色散與 WDM 通道分離。
模態由波導本徵結構與 photonic lantern / 模態選擇器分離。
偏振由偏振控制與分束元件處理。
相位由相干參考與同步系統維持。

換言之，ODML 不是把每個 bit 放進一個獨立細胞，而是把資料嵌入光學態空間中的坐標組合。資料的 address 不再是「第幾格」，而是「在某時刻、某波長、某模態、某偏振、某相位窗口中出現」。

這就是為什麼 Carmack 的 200 km 光纖思維實驗雖然粗糙，卻很有啟發性。他指出，若單模光纖可在 200 km 上承載 256 Tb/s，則同一時間約有 32 GB 資料在飛行中。這不是傳統儲存容量，卻是非常真實的 bandwidth-delay product。若再加入 WDM、SDM、polarization 等並行維度，飛行態空間的可承載資料量會顯著增加。這裡的重點不是「可取代 RAM」，而是「大量資料在光學媒介中已經以可分離座標飛行」。

因此，ODML 的架構問題不是「如何讓資料停住」，而是：

如何把 D = {t, λ, m, p, φ} 變成一個可寫入、可讀出、可排程、可同步的資料身分？

3. 兩道物理閘門：合成稿不繞過它們

任何把 ODML 或 GFMSN 說得太像「全光記憶體」的版本，都必須穿過兩道物理閘門：延遲–頻寬積與時序抖動。

3.1 延遲–頻寬積：暫存不是保存

光學暫存器與慢光 buffer 有一個古老而堅硬的限制：延遲越長，可用頻寬通常越窄；頻寬越寬，可保留時間越短。這不是單純工藝不成熟，而是由共振、群速度、色散與損耗共同導出的 trade-off。慢光 optical buffer 文獻早已指出，延遲–頻寬積會限制光學 buffer 的儲存密度與可用容量。

這意味著 ODML 的「暫存站」不能被描述成一般記憶體。它的功能不是長期保存，而是短窗口內的 delay、alignment、phase matching 與 re-timing。它適合把資料延遲幾個 ns、幾十 ns、甚至在特定條件下推到 μs 等級；但若要把未知高頻寬資料穩定保存到 ms、s 或更久，就必須回到光電轉換、電子儲存、重調制，或者接受光放大帶來的噪聲與再生問題。

因此，本稿採用一個嚴格定義：

ODML 的 buffer 是 alignment buffer，不是 storage memory。
GFMSN 的站點是 delay/access station，不是 memory cell。

這個定義保護了整個架構，使它不被錯誤要求承擔 DRAM 或 SSD 的功能。

3.2 時序抖動：長距離運輸與精密交互必須分離

若兩筆光資料要在某個站點相遇，發生干涉、非線性交互或條件路由，它們的抵達時間、相位與偏振狀態必須被非常精密地控制。這在晶片尺度上可控，在公里尺度上則極難。光纖熱漂移、機械振動、色散、偏振模色散、相位噪聲都會讓飛秒—皮秒級對齊變成惡夢。

這導出 v0.2 最重要的架構律：

交互在晶片，運輸在光纖。

v0.3 完全接受這條律。但本稿補上一個幾何化修正：

短期交互在晶片；中長期幾何約束在光纖；遠期站點化結構在混合封裝中實現。

也就是說，近期 ODML 不應設想在 200 km 光纖沿線密佈大量精密站點。但 GFMSN 並不因此消失。它轉為三種更合理的實作形態：

端點站： 位於光纖兩端或短距離 interposer 上，由光子晶片完成精密交互。
短段站： 位於 cm–m 尺度的光纖段或封裝內，用於可控延遲、濾波、模式轉換。
遠期內嵌站： 位於特殊幾何光纖內部，依賴未來 inverse design、AI 校準、低損耗製造與主動封裝。

這樣，GFMSN 不再挑戰物理閘門，而是被物理閘門重新塑形。

4. ODML-GFMSN 三層架構

本文提出三層架構，以避免概念混雜。

4.1 ODML-A：態空間定址層

第一層是抽象層，負責定義資料身分與排程問題。它不關心具體使用哪種光纖，也不假定所有站點都內嵌於光纖。它只定義：資料如何被寫入多座標光學態空間、如何在其中運輸、如何被讀出。

其核心資料模型是：

D_i = (payload_i, t_i, λ_i, m_i, p_i, φ_i, metadata_i)

其核心操作是：

write(D_i, coord)
transport(D_i, path)
delay(D_i, τ)
convert(D_i, coord_a → coord_b)
read(D_i, coord, time_window)
reinject(D_i, new_coord)
refresh(D_i)  // 若發生光電再生或主動重整形

ODML-A 是最抽象、最穩的部分。即使未來光纖幾何完全不同，這一層仍成立。

4.2 ODML-P：光子晶片存取層

第二層是近期工程層。它把 ODML-A 的操作落在 photonic integrated circuits 上：MZI、ring resonator、AWG、phase shifter、directional coupler、spiral delay line、photonic lantern coupler、modulator、detector、driver、controller。

這一層承擔最難的工作：

波長解複用與選擇性 drop/add。
模態解複用與模式轉換。
偏振控制。
ns 級或更短時間 gate。
短延遲對齊。
條件路由。
相位鎖定與校準。
光電混合再生。

這是「交互在晶片」的實作層。

4.3 GFMSN-G：幾何光纖站網層

第三層是遠期幾何實作層。它不是整個 ODML 的必要前提，而是讓 ODML 走向更高密度、更低功耗、更強結構自由度的未來分支。

GFMSN-G 包含：

多核心光纖：以核心 index 作為 mode/core 座標。
少模光纖：以有限穩定模態作為空間座標。
空芯反諧振光纖：以低損耗、低延遲、低非線性為長距離運輸媒介。
嵌套反諧振管：透過截面幾何控制模態純度、損耗、色散與彎曲容忍。
螺旋核心或週期耦合區：創造可預測的局部耦合窗口。
支線延遲管：提供局部 time-shift。
截面站：在某段光纖中改變截面，實現模式選擇、濾波、耦合。
垂直站：從主幹接出短延遲路徑或晶片節點，實現 drop/delay/reinject。

GFMSN-G 的意義在於：它把 ODML 從「端點晶片 + 普通光纖」推向「光纖本身也參與資料態空間設計」。但在 v0.3 中，它不再直接聲稱近期可完成，而是作為一組可被逐步研究的幾何設計問題。

5. 站點重定義：不是存放處，而是座標操作器

前作中的「站點」概念要保留，但要重寫。站點不是資料待著的地方，而是資料座標被操作的地方。

5.1 波長站

波長站對 λ 座標操作。它可以使用 FBG、AWG、微環濾波器、可調濾波器、WDM coupler 來實現。

功能：

select(λ_i)
drop(λ_i)
add(λ_j)
convert(λ_i → λ_j)  // 若有非線性或調制輔助

它的成熟度最高，是 ODML 最容易落地的站點類型。

5.2 模態站

模態站對 m 座標操作。它可以使用 photonic lantern、模式選擇耦合器、多核心 fan-in/fan-out、少模轉換器。

功能：

separate(m_i)
combine(m_1...m_n)
convert(m_i → m_j)
map(mode → core)
map(core → mode)

photonic lantern 的重要性在於，它使「模態」不再只是混疊的場分佈，而成為可存取的座標。這對 ODML 非常關鍵。沒有模式解碼器，mode 只是物理存在；有了模式解碼器，mode 才是 address。

5.3 偏振站

偏振站對 p 座標操作。它的維度較小，但成本相對低，且可作為額外正交通道。

功能：

split(p_x, p_y)
rotate(p_i)
compensate(PMD)
lock(p_ref)

在相干系統中，偏振控制不只是容量問題，也關係到相位穩定與解碼品質。

5.4 時間站

時間站對 t 座標操作。這是最接近「暫存」的站點。

功能：

delay(τ)
gate(t_window)
retime(t_i → t_j)
reinject(t_i + τ)

它可以由 spiral delay line、fiber loop、ring resonator、Fabry–Perot cavity、slow-light segment、MZI delay arm 實現。但它必須受延遲–頻寬積限制，不能被稱為長期記憶。

5.5 相位站

相位站對 φ 操作。它在非相干資料搬運中不一定重要，但在相干通信、干涉、reservoir computing、光學矩陣運算、條件路由中至關重要。

功能：

phase_shift(φ)
phase_lock(reference)
interfere(D_i, D_j)
coherent_combine(D_1...D_n)

這類站點應主要放在晶片尺度，而非長距離光纖中途。

5.6 維護站

維護站不直接增加資料座標，而是保持資料仍可讀：放大、重整形、重定時、偏振補償、色散補償、模式清理、錯誤檢測、必要時光電再生。

功能：

amplify()
reshape()
retime()
regenerate()
clean_mode()
compensate_dispersion()

ODML 的誠實性，很大程度取決於它是否承認維護站的成本。資料在飛行中不是免費永生，它需要不斷支付損耗、噪聲、漂移與同步的維護稅。

6. 幾何站網：GFMSN 被重新放回來

v0.2 認為「沿線密佈站點」不適合成為近期主架構。v0.3 同意。但這不代表幾何站網不重要。GFMSN 的價值不是馬上做出 200 km 內嵌管網，而是提出一種新的光纖設計語言：

光纖幾何不只決定傳輸性能，也可決定資料座標、延遲、耦合與可排程性。

這裡可分成四個研究方向。

6.1 截面幾何作為座標生成器

普通單模光纖只給出非常有限的空間座標。多核心光纖、少模光纖、空芯反諧振光纖、嵌套反諧振光纖則能提供更多可控的 mode/core 座標。

其設計問題是：

給定截面 Ω(x, y)，求其本徵模態 e_m(x, y)、有效折射率 n_eff,m、群折射率 n_g,m、損耗 α_m、模式間耦合 κ_ij。

若某些模態低損耗、彼此隔離、可被 photonic lantern 讀寫，則這些模態可作為 ODML 的空間 address。

6.2 縱向幾何作為耦合排程器

若光纖沿 z 軸的幾何不完全均勻，例如核心間距週期改變、螺旋核心、局部 taper、週期性耦合窗，則 κ_ij(z) 可被設計。

理想條件是：

κ_ij(z) ≈ 0          // 非交會區
κ_ij(z) = κ*         // 指定耦合區
Δβ_ij(z) ≈ 0         // 相位匹配區
R(z) > R_min         // 彎曲半徑可製造
α(z) < α_max         // 損耗可接受

這就是 v0.1 所謂「交集」的工程化版本：不是幾何線條真的穿越，而是場分佈、相位匹配與時間窗在指定區域重合。

6.3 垂直站作為支線延遲器

垂直站不是把資料存進一個靜止容器，而是從主光路接出一條支線，使資料獲得額外 delay 或 coordinate transformation。

形式包括：

side-coupled loop
fiber stub delay
chip-fiber hybrid delay arm
micro-cavity branch
drop-delay-reinject node

其核心參數是：

τ_branch = n_g L_branch / c
loss_branch = α L_branch + coupling_loss
dispersion_branch = D · Δλ · L_branch
jitter_budget = J_max

垂直站有價值，但它不是任意增加容量的免費空間。每增加一條支線，都要支付損耗、色散、封裝、同步與控制成本。

6.4 內嵌幾何站作為遠期實作

最遠期的 GFMSN 版本，是在光纖製造中內嵌可變截面、支線、局部腔體、耦合區、模式選擇區，使光纖本身成為一個站點化幾何系統。

這需要三個前提：

高精度 3D 光纖預製棒設計與拉絲製造。
FEM / FDTD / BPM 與機器學習反向設計結合，以搜索巨大幾何空間。
主動封裝、溫控、pilot reference、AI 校準系統，使實際器件能抵抗漂移。

近期這不該是產品承諾，但非常適合作為研究議題。

7. 數學形式化：ODML-GFMSN 作為帶物理約束的排程問題

ODML-GFMSN 的核心不是某個單一器件，而是一個排程問題。

定義光學座標空間：

C = T × Λ × M × P × Φ

其中 T 為時間槽集合，Λ 為波長集合，M 為模態或核心集合，P 為偏振集合，Φ 為相位狀態或相位參考集合。

定義節點圖：

G = (V, E)

其中 V 為存取節點、站點、晶片、維護節點；E 為光纖段、晶片波導、延遲支線、耦合路徑。

每條邊 e ∈ E 有物理參數：

B_e      bandwidth
τ_e      group delay
α_e      loss
D_e      dispersion
J_e      jitter / timing uncertainty
K_e      mode coupling matrix
N_e      noise model
C_e      supported coordinate subset

每個節點 v ∈ V 有操作集合：

O_v = {filter, mux, demux, delay, switch, phase_shift, convert, detect, regenerate, reinject}

給定資料集合：

P = {p_1, p_2, ..., p_n}

每筆資料 p_i 有來源、目的、截止時間、可容忍損耗、可容忍抖動、可用座標集合。

要求求解：

schedule S = {inject_time, coordinate_assignment, path, station_operations, readout_time}

使得：

arrival(p_i) ∈ required_window_i
loss(p_i) < L_max,i
jitter(p_i) < J_max,i
crosstalk(p_i) < X_max,i
buffer_time(p_i) < τ_DBP
coordinate_conflict(p_i, p_j) = false
energy(S) minimized

這就是 ODML-GFMSN 的最小研究問題。

它不是「造一條神奇光纖」；它是「在一個多座標光學傳輸—延遲—存取系統中，求得滿足物理約束的資料排程」。

8. 與 AI 記憶體牆的關係

AI 系統的 memory wall 不只是容量問題，也是資料運動問題。HBM 貴、DRAM 遠、SSD 慢但容量大，CXL 與 memory pooling 試圖把記憶體拆成可共享層級；FlashNeuron、Behemoth 等研究則顯示，若有好的 offloading scheduler 與硬體路徑，SSD / flash 也能被納入 DNN 訓練或推論資料流。

ODML-GFMSN 不與這些路線競爭，而是補充它們。

其潛在位置是：

SSD / Flash / CXL pool     容量層
DRAM / HBM                 近端高速記憶層
ODML-GFMSN                 光學資料運動與對齊層
SRAM / L2 / register       超近端低延遲層
compute core               計算層

ODML 不適合高度隨機存取，也不適合頻繁改寫的資料。但它適合：

高度可預測的權重串流。
多 accelerator 之間的同步資料流。
遠端資料預取與 timed arrival。
true-time-delay 型訊號處理。
光學 reservoir computing 的延遲網。
將多座標光學互連變成可排程資料層。

換句話說，ODML-GFMSN 的目標不是「比 HBM 更像 HBM」，而是處理 HBM 不擅長的事情：在較遠距離、較高並行度、較低中繼成本下，讓資料準時出現在計算附近。

9. Reservoir computing：近期最合理的「計算」方向

若問 ODML-GFMSN 是否能計算，答案不應該是「可以做全光邏輯」，而應該是：最自然的計算形式是 reservoir computing。

光子 reservoir computing 使用光學延遲、非線性、回授、多節點耦合，將輸入映射到高維動態狀態，再由讀出層完成任務。它不需要每個站點都像 Boolean gate，也不需要精準逐閘級聯。這非常適合 ODML-GFMSN，因為 ODML-GFMSN 本來就有多路徑、延遲、相位、模式、耦合與短期記憶。

對 ODML-GFMSN 而言，reservoir computing 的意義是：

資料運動層本身也可以成為動態特徵投影層。

但本文必須焊死另一條界線：這不是量子計算。雖然它使用光，雖然它可能涉及相干與干涉，但 ODML-GFMSN 處理的是古典資料流，不是可任意操控的量子疊加態。它的計算價值來自延遲動態與非線性投影，不來自量子加速。

10. AI 控制與反向設計：不是魔法，但很必要

使用 AI 控制 GFMSN，不應被理解成「讓 AI 克服物理」。AI 不能取消延遲–頻寬積，不能取消熱漂移，不能讓損耗消失。但 AI 可以做四件事：

10.1 幾何反向設計

NANF、DNANF、多核心、少模、螺旋核心、嵌套管的幾何參數空間極大。傳統 FEM 全掃描成本高。機器學習可用於快速篩選候選結構、預測 confinement loss、mode suppression、bend loss、dispersion 等指標。

10.2 線上校準

ODML 節點有大量可調參數：相位器、濾波器、偏振控制器、溫控器、調制器 bias、switch state。AI 控制器可以監測 pilot tone、BER、相位漂移、功率分佈，持續調整。

10.3 排程求解

第 7 節的排程問題可能是 NP-hard 類型的複合約束問題。可使用啟發式、混合整數規劃、強化學習、圖神經網路、online scheduling 等方法。

10.4 故障容忍與重路由

若某些 wavelength/mode/path 出現漂移或損耗增加，AI 控制器可重新分配座標與路徑，使資料避開退化通道。

但本文重申：AI 控制是維護與優化工具，不是違反物理的工具。ODML-GFMSN 的可行性必須先由架構與物理邊界成立，再由 AI 改善效率。

11. 工程路線圖：從可驗證到遠期幾何

第一階段：ODML-P 最小節點

用現有元件建立一個晶片存取節點：WDM filter、modulator、detector、short delay line、phase shifter、switch。展示：一筆資料被寫入特定 λ 與 time slot，在短光纖中運輸，再於指定窗口讀出。

成功標準：

可重複讀出
可測量 delay
可測量 loss/jitter
可執行簡單 schedule

第二階段：加入模態座標

使用 photonic lantern 或多核心 fan-in/fan-out，將 mode/core 作為可定址座標。展示 time × wavelength × mode 的三維飛行定址。

成功標準：

mode isolation 達標
crosstalk 可控
coordinate assignment 可驗證

第三階段：多資料排程

引入多筆資料流與排程器，讓不同資料使用不同 time/λ/mode 座標，並在不同時間窗口讀出。

成功標準：

schedule conflict rate 低
讀出錯誤率可接受
能動態重排座標

第四階段：GFMSN 短段幾何站

製作 cm–m 尺度的特殊光纖段或混合封裝：局部耦合區、taper、FBG、模式轉換段、支線 delay。

成功標準：

κ(z) 可設計
τ_branch 可測量
loss 可接受
與晶片節點可耦合

第五階段：遠期內嵌站網

探索真正的內嵌幾何光纖：沿 z 變化截面、螺旋核心、嵌套支線、局部站點化段。這需要 AI inverse design 與新製造能力。

成功標準：

可製造
可封裝
可校準
可重複
性能優於端點式架構某些指標

12. 可證偽條件

一個好的架構論文不能只提出願景，也要提出它可能被證偽的地方。

ODML-GFMSN 可能在以下條件下失去價值：

若可串流資料流在實際 AI workload 中比例不足，排程層無法形成優勢。
若光子存取節點的能耗高於資料搬運所節省的能耗。
若模態/波長/偏振座標的 crosstalk 與校準成本高到抵消容量乘數。
若短延遲 buffer 的 DBP 過小，無法完成有用的 alignment。
若 CXL、HBM、near-memory compute、flash-centric accelerator 已能以更低複雜度解決同一問題。
若 GFMSN 幾何製造容差太嚴，無法穩定量產。

這些不是本文的失敗補充，而是未來研究必須正面回答的評估指標。

13. 與 v0.1 / v0.2 的關係

本稿對 v0.1 的修正：

不再把核心命名為「記憶體」。
不再把沿線密佈站點作為近期主路線。
不再把幾何交會描述成自由可用的光學路口。
不再把暫存站描述成真正 storage。

本稿保留 v0.1 的部分：

光纖可被視為幾何資料空間。
站點化語言仍然有用。
截面站、垂直站、支線延遲、幾何約束仍是遠期實作方向。
GFMSN 是 ODML 的重要實作分支。

本稿對 v0.2 的承接：

接受「飛行即定址」為主命題。
接受 ODML 作為更精準名稱。
接受延遲–頻寬積與時序抖動為設計骨架。
接受「交互在晶片，運輸在光纖」。

本稿對 v0.2 的補充：

不把 GFMSN 只當遠期附錄，而是明確放入第三層架構。
將幾何光纖轉化為 ODML 的 address-space generator 與 delay/coupling substrate。
把原始幾何野心形式化為可研究的 κ(z)、τ_branch、mode/core coordinate、station operation 問題。

所以 v0.3 的一句話是：

ODML 給 GFMSN 物理誠實；GFMSN 給 ODML 幾何未來。

14. 本體論結語：資料不是被保存，而是被找得到

這篇論文表面討論光纖、光子晶片、AI 記憶體牆、延遲線與模態複用。更底層的命題其實是：記憶是否必須以靜止為前提？

傳統記憶體說：資料存在，因為它位於某處。ODML 說：資料存在，因為它仍在可定址軌跡上，並且系統知道它下一次何時、以什麼座標、在哪個存取頭前出現。

這不是否定靜態記憶體，而是補上一個記憶的運動版本。資料不必停下來才算存在；它可以在飛行中被記得。只要其 time-slot、wavelength、mode、polarization、phase 仍可被區分，只要站點仍能在正確窗口讀出它，只要排程器仍能預測它的再出現，它就不是消失，而是正在通過。

但這種存在方式極其脆弱。它不像 DRAM 有電容井，不像 NAND 有電荷陷阱，不像磁碟有磁區。它沒有深井，沒有長期安放。它的存在靠路徑、相位、同步、濾波、校準與維護共同支撐。一旦損耗超標、相位失鎖、時間窗錯過、座標混疊，它就回到不可定址狀態。

所以 ODML-GFMSN 的哲學不是「光學永生」，而是「可定址的流」。它不保證資料永久存在，只保證在一段有限窗口內，資料的飛行是可計算、可預測、可再捕捉的。

一句話收束：

記憶不是必然要停在某處；記憶也可以是一種被準時找回的運動。ODML 是這種運動的排程語言，GFMSN 是這種運動未來可能取得的幾何身體。

參考文獻與技術脈絡

以下為本稿使用的英文技術脈絡與延伸閱讀。部分來源是新聞或技術報導，用於標記產業討論背景；核心物理與工程主張仍以論文、期刊與技術文獻為主。

[1] John Carmack, X post on 256 Tb/s over 200 km single-mode fiber and in-flight data as L2-like streaming cache, 2026.
https://x.com/ID_AA_Carmack/status/2019839335382790342

[2] Tom's Hardware, “John Carmack muses using a long fiber line as an L2 cache for streaming AI data,” 2026.
https://www.tomshardware.com/pc-components/ram/john-carmack-muses-using-a-long-fiber-line-as-as-an-l2-cache-for-streaming-ai-data-programmer-imagines-fiber-as-alternative-to-dram

[3] R. S. Tucker, P.-C. Ku, C. J. Chang-Hasnain, “Slow-light optical buffers: capabilities and fundamental limitations,” Journal of Lightwave Technology, 2005.
https://opg.optica.org/abstract.cfm?uri=jlt-23-12-4046

[4] R. S. Tucker, P.-C. Ku, C. J. Chang-Hasnain, “Delay–bandwidth product and storage density in slow-light optical buffers,” Electronics Letters, 2005.
https://digital-library.theiet.org/doi/10.1049/el%3A20057426

[5] M. Petrovich et al., “Broadband optical fibre with an attenuation lower than 0.1 dB km−1,” Nature Photonics, 2025.
https://www.nature.com/articles/s41566-025-01747-5

[6] S. Gao et al., “Fourfold truncated double-nested antiresonant nodeless hollow-core fibers with ultralow loss and ultrahigh mode purity,” Optica / arXiv, 2024–2025.
https://arxiv.org/abs/2409.13332

[7] R. A. Eltaieb, S. LaRochelle, L. A. Rusch, “Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs,” arXiv, 2026.
https://arxiv.org/abs/2603.13302

[8] RP Photonics Encyclopedia, “Photonic Lanterns.”
https://www.rp-photonics.com/photonic_lanterns.html

[9] R. I. Becerra-Deana et al., “Mode-Selective Photonic Lanterns with Double-Clad Fibers,” arXiv, 2024.
https://arxiv.org/abs/2410.23403

[10] Y. Lu et al., “A Review of Transverse Mode Adaptive Control Based on Photonic Lanterns,” Micromachines, 2025.
https://www.mdpi.com/2072-666X/16/12/1347

[11] T. Hülser et al., “The role of delay-times in delay-based photonic reservoir computing,” Optical Materials Express / arXiv, 2021–2022.
https://arxiv.org/abs/2112.11830

[12] D. Wang et al., “Ultrafast silicon photonic reservoir computing engine,” Nature Communications / PMC, 2024.
https://pmc.ncbi.nlm.nih.gov/articles/PMC11686264/

[13] J. Bae et al., “FlashNeuron: SSD-Enabled Large-Batch Training of Very Deep Neural Networks,” USENIX FAST, 2021.
https://www.usenix.org/conference/fast21/presentation/bae

[14] S. Kim et al., “Behemoth: A Flash-centric Training Accelerator for Extreme-scale DNNs,” USENIX FAST, 2021.
https://www.usenix.org/system/files/fast21-kim.pdf

[15] Daniel S. Berger et al., “Octopus: Scalable Low-Cost CXL Memory Pooling,” arXiv, 2025.
https://arxiv.org/abs/2501.09020

[16] Compute Express Link Consortium, “Overcoming the AI Memory Wall: How CXL Memory Pooling Powers the Next Leap in Scalable AI Computing,” 2025.
https://computeexpresslink.org/blog/overcoming-the-ai-memory-wall-how-cxl-memory-pooling-powers-the-next-leap-in-scalable-ai-computing-4267/

附錄 A：最小術語表

ODML：Optical Data-Motion Layer，光學資料運動層。上層架構與排程理論。

GFMSN：Geometric Fiber Memory Station Network，幾何光纖記憶站網。本文保留舊名，但重新解釋為 ODML 的幾何實作分支；其中 “Memory” 指短期可定址再出現，而非 DRAM 型保存。

飛行即定址：資料在光學媒介中飛行時，其 time-slot、wavelength、mode、polarization、phase 即共同構成其可讀身分。

站點：對光學座標執行選擇、轉換、延遲、維護或重注入的操作節點。不是資料存放處。

截面站：透過光纖截面幾何或模式轉換器操作模態/核心座標的站點。

垂直站：從主光路接出支線、晶片節點或短延遲路徑的站點。

延遲–頻寬積：限制光學 buffer 能同時提供多少延遲與頻寬的基本 trade-off。

交互在晶片，運輸在光纖：ODML 的核心架構律。長距離光纖適合傳輸與飛行容量，精密交互應收斂到晶片或短封裝尺度。

附錄 B：給後續版本的研究題目

建立 ODML coordinate scheduler 的模擬器。
建立 time × wavelength × mode 三維座標的最小 proof-of-concept。
研究 photonic lantern 作為 ODML mode-address decoder 的性能邊界。
將 DNANF / NANF 反向設計問題改寫為 ODML coordinate capacity optimization。
定義 GFMSN 短段幾何站的 FEM / BPM benchmark。
建立 ODML 與 CXL / HBM / SSD memory hierarchy 的成本模型。
研究 ODML 在 inference weight streaming、KV prefetch、multi-accelerator synchronization 中的適用性。
探索 ODML-reservoir hybrid，用光學資料運動層兼作動態特徵投影。
設計 pilot-reference timing architecture，以驗證共模漂移補償的可行範圍。
明確區分 ODML、optical buffer、optical interconnect、photonic computing、quantum computing 五者的概念邊界。