01
AI 爆发，算力告急
我们已全面进入“大数据”时代，人工智能技术深入自动驾驶、智能教育、语音识别等众多领域。在这一进程中，人工神经网络作为AI的核心计算模型，成为推动社会智能化发展的关键引擎。
然而，神经网络的运行极度依赖矩阵乘法——无论是模型训练还是实际推理，本质上都是在处理海量数据的矩阵运算。随着模型规模持续暴涨（据估算，深度学习模型的参数量约每3.5个月翻一番），所需的矩阵计算日益密集，对算力的需求正以前所未有的速度攀升。传统电子芯片逐渐触及性能与能效瓶颈，而光计算以其特有的低功耗、高带宽、低延迟优势，正展现出突破现有算力困局的全新可能。
光计算简史：从光学实验到神经网络
1940年代
光计算启蒙，傅立叶变换被引入光学。
1960年代
激光问世，光学模拟信息处理起步。
1980年代
神经形态计算兴起，误差反向传播算法提出，光学神经网络首次实验实现。
1990年代
动态非线性晶体出现，实现三维光存储，曾演示存储约10亿个权重的面部识别网络。
21世纪以来
随着硅光子学进步，光学神经网络重新成为研究热点。
02
常见光计算器件：光如何“做计算”？
光波导
相当于“光的导线”，可用于传输和引导光信号，材料、结构多样。
马赫曾德尔干涉仪
包含分束器、相移器和合束器，可用于光强度调制，是集成光芯片中的关键调制单元。
分束器
通常是一种对称性器件，将来自于一个直波导的光功率等分。
定向耦合器
一种具有双输入、双输出端口的光学器件，由两条紧密相邻的光波导构成。当光在其中一条波导中传播时，部分能量会因波导间的耦合作用，周期性转移至另一条波导中，从而实现光信号任意比例的分束。
相位调制器
通过改变光波导材料折射率从而调节光信号相位。最常见的相位调制器有基于热光效应、载流子色散效应、电光效应、相变材料等机制。
03
光计算原理：为什么光比电快？
矩阵乘法是典型的线性运算，光通过可编程的光子矩阵计算(Optical Multiply Accumulate，oMAC)可实现高速并行处理：
输入向量值首先从片上存储中提取，由数模转换器转换为模拟值，通过电子芯片和光子芯片之间的微凸点应用于相应的光调制器，形成输入光矢量；
输入光矢量传播过程中经过矩阵光路，自然而然完成光计算产生输出光矢量，在经过探测器后转为电流信号；
电流信号通过跨阻放大器和模数转换器返回数字域。
光计算三大优势：
延迟极低：光计算本质上就是光在芯片中的传输过程，因此计算延迟约等于光在芯片内传播的时间，可低于1ns。实际运算中，主要耗时来自于光电转换与数模转换，通常仅为几个时钟周期，且与矩阵大小几乎无关，单次光子矩阵计算的整体延迟可控制在3ns以内。
能耗更少：光计算功耗主要来自电光转换，在光学器件和其控制电路被较好的优化前提下，能媲美甚至凌驾先进制程的数字芯片。
不依赖先进制程：光计算芯片通常采用成熟制程实现，例如28nm及以上工艺节点即可满足大多数设计需求，这与当前AI算力高度依赖3nm/5nm/7nm先进制程的电芯片形成鲜明对比。
04
光计算硬件：PACE系列光电混合计算加速卡
PACE
曦智科技于2021年发布了光子计算处理器 PACE，其核心是一个64×64 光学矩阵乘法器，采用硅光芯片与CMOS芯片2.5D堆叠封装。在求解伊辛问题等NP完全问题时，PACE单次迭代仅需3纳秒，速度可达高端GPU的800倍以上。
PACE 2（曦智天枢）
曦智科技2025年推出的全新支持商用算法的光电混合计算加速卡，包含目前全球最大规模128x128光子矩阵，具备复杂可编程性，用户可自由配置矩阵系数，通过PCIe高速接口可无缝集成现有计算系统，适用于多种商用场景。
光计算应用场景：
生物信息：加速蛋白质结构预测、基因测序等计算。
路径规划：高效求解物流调度、旅行商问题等组合优化任务。
材料研发：辅助新材料仿真与设计，缩短研发周期。
人工智能：加速神经网络中的矩阵运算，提升图像识别、语音处理等AI任务效率。
光计算，正以高速、低耗的独特优势，从实验室走进产业视野。它不仅是突破算力瓶颈的潜力技术，更有望与现有计算系统深度融合，为AI、科学计算等领域构建下一代基础设施。
那么，在你看来：
光计算将最先在哪个领域转化为大规模应用？ 是它天生契合的AI推理，还是能解决燃眉之急的生物计算，或是其他我们尚未充分想象的场景？
扫描以下二维码或点击“阅读原文”查看原论文内容。
