FOP | 主题综述：光计算加速器：原理、应用与展望

人工智能（AI）近年来快速发展，已渗透至生活的方方面面，并在自动驾驶、医疗诊断、信息处理等领域引发革命性变革。随着AI迈入大规模模型时代，算力已成为制约大模型训练与产品化部署的关键瓶颈，推动硬件计算加速器需求激增。以GPT-4为例，其训练所需算力高达2.1×10^25次浮点运算，即使采用约25000块目前商用领域最强大的并行计算加速器——NVIDIA A100 GPU构建集群，仍需耗时90-100天。

当前主流硬件加速器仍以GPU为代表的基于冯·诺依曼架构的电子数字并行加速器为主。尽管这类设备具备极高的通用性，但在大规模并行计算中面临着能耗与时延的双重挑战。随着半导体工艺进入3纳米以下节点，电子器件日益受到量子隧穿效应导致的漏电流增加、短沟道效应引发的载流子迁移率下降等物理极限制约，通过晶体管微缩获取能效提升的难度显著增加。此外，晶体管电路的能耗与时钟频率呈三次方关系，使得大规模数字电路时延优化空间极为有限。

在此背景下，光学计算凭借其宽频带特性与低传播损耗优势，成为极具潜力的并行计算加速新范式。其优势主要体现在：

*带宽优势：光子器件带宽可达电子器件的约100,000倍，支持大容量频分复用并行计算，且光子器件动态响应速度远超电子器件。虽然小型电子模拟/数字电路可实现5GHz以上带宽，但实际计算系统受限于线延迟，运行速度往往远低于此阈值。

*传输优势：硅基氮化硅波导在1600-1640 nm波段的传输损耗仅0.06 dB/cm，几乎不产生焦耳热。相较之下，长距离电信号传输会产生焦耳热与信号串扰，且能耗随传输距离线性增加。

• 
  
  

光学计算加速器的核心优势在于其独特的物理特性例如远高于现有数字计算系统的主频，超低的传输损耗，以及多个维度的并行特性。目前光子调制和探测器件的带宽已接近百GHz水平，远高于数字计算系统的数GHz。而且，光子波导中的传播损耗较低，且几乎不产生焦耳热，而电通信则会产生焦耳热并伴随信号串扰，且能量消耗随传输距离增加而增加。此外，光计算可实现大规模并行处理，能够同时处理多个光信号，而电子计算则受限于串行处理方式。

光学计算加速器的基本工作原理是通过光信号的调制、检测、乘法和加法等基本操作来实现复杂的计算任务。光信号的调制方式多样，包括通过改变光强、光相位、光干涉以及衍射元件等方法来编码信息。检测单元则负责将光信号转换为电信号，常见的检测方式有单端检测、双端检测、相干检测和阵列检测等。乘法单元和加法单元的实现方式也多种多样，能够满足不同计算架构的需求。

在人工智能领域，光学计算加速器展现出巨大的应用潜力。通过时分复用（TDM）、空分复用（SDM）、波分复用（WDM）、深度衍射神经网络(D2NN)等多种架构，光学计算加速器能够高效地完成矩阵向量乘法、卷积等计算密集型任务，从而加速 AI 模型的推理和训练过程。例如，基于 TDM 的光计算加速器能够在降低系统复杂度和成本的同时，有效减少电光调制器（EOM）的数量；而 SDM 则是实现光计算加速器高速并行化的基本方式之一，结合其他复用策略，可充分利用光计算的优势，实现高计算密度和低延迟的计算系统。

在科学计算领域，光学计算同样具有显著优势。许多科学计算问题通过迭代算法或模拟算法处理，对精度要求不高，但对处理速度要求极高。光学计算的低能耗、低延迟和大带宽特性使其能够有效加速此类问题的求解。例如，基于逆向设计技术的超材料平台能够高效解决微波频率下的通用积分方程，为实现芯片级、快速且可集成的光学计算元件提供了可能。

值得注意的是，大模型已被证实可在4位精度下完成训练与推理，这使本不擅长高精度计算的光学模拟计算得以充分发挥其低能耗、低时延优势。为推进光学计算加速器发展，本文系统梳理其原理架构、技术挑战与应用场景，并提出发展展望。区别于多数按架构分类的综述，本文从光学乘加运算核心——这一可扩展至各类光学计算阵列架构的基础功能单元切入，阐释其如何通过阵列扩展实现向量矩阵乘法、卷积等运算，进而构建网络完成AI推理与科学计算等复杂任务。

受数字电子加速器通用架构的启发，张江实验室邹鹏和储蔚等人从计算加速器的基本元素——乘加（MAC）单元出发，自下而上地回顾了光计算加速器的原理和应用，阐述了如何通过在不同架构中由不同的MAC单元组成计算器阵列来解决矩阵乘法问题，随后讨论了据报道光计算加速器相较于电子计算具有优势的两个主要应用领域。最后介绍了光计算面临的挑战以及对其未来发展的展望。此外，文中还调研了光计算在行业内的现状，并对光计算未来的商业化发展提供了见解。

全文内容如下：概述当前电子数字并行加速器现状；解析光学乘加核心的实现原理及其阵列化扩展方法；系统分类光学计算加速器的优势应用场景；探讨光学计算加速器商业化进展；提出技术挑战与未来展望，并作总结性论述。通过覆盖数字计算加速器到模拟光学计算加速器的完整谱系，本文旨在为光学计算加速器研究提供多维度的理论参考与实践指引。

随着人工智能大模型参数规模和科学计算问题规模的指数级增长，光学计算凭借其低能耗和低延迟的优势，有望成为实现计算性能增长的重要途径。通过新架构设计、新器件与新材料开发、光学计算自适应模拟电路设计以及适应算法设计等多方面的努力，有望克服当前面临的挑战，推动光学计算加速器的大规模商业化应用，使其在人工智能推理、投资组合优化、非线性失真补偿等特定任务中发挥重要作用。