去年，曦智科技正式將光計算模擬器 LTSimulator 部署上云，并同步推出了光計算開發者社區。 以此為起點，我們很高興在“曦智研究院”的全新欄目中，持續分享光計算與光互連前沿解讀、典型研究案例與場景實踐，與大家共同探索這項技術的無限可能。 今天這篇內容將作為本系列的“開場白”，由曦智研究院系統梳理光計算的基本原理、關鍵器件與發展脈絡。歡迎你持續關注，也期待你加入社區，與我們一同交流、共創，見證光計算的未來。

01

AI 爆發，算力告急

我們已全面進入“大數據”時代，人工智能技術深入自動駕駛、智能教育、語音識別等眾多領域。在這一進程中，人工神經網絡作為AI的核心計算模型，成為推動社會智能化發展的關鍵引擎。

然而，神經網絡的運行極度依賴矩陣乘法——無論是模型訓練還是實際推理，本質上都是在處理海量數據的矩陣運算。隨著模型規模持續暴漲（據估算，深度學習模型的參數量約每3.5個月翻一番），所需的矩陣計算日益密集，對算力的需求正以前所未有的速度攀升。傳統電子芯片逐漸觸及性能與能效瓶頸，而光計算以其特有的低功耗、高帶寬、低延遲優勢，正展現出突破現有算力困局的全新可能。

光計算簡史：從光學實驗到神經網絡

1940年代

光計算啟蒙，傅立葉變換被引入光學。

1960年代

激光問世，光學模擬信息處理起步。

1980年代

神經形態計算興起，誤差反向傳播算法提出，光學神經網絡首次實驗實現。

1990年代

動態非線性晶體出現，實現三維光存儲，曾演示存儲約10億個權重的面部識別網絡。

21世紀以來

隨著硅光子學進步，光學神經網絡重新成為研究熱點。

02

常見光計算器件：光如何“做計算”？

光波導

相當于“光的導線”，可用于傳輸和引導光信號，材料、結構多樣。

馬赫曾德爾干涉儀

包含分束器、相移器和合束器，可用于光強度調制，是集成光芯片中的關鍵調制單元。

分束器

通常是一種對稱性器件，將來自于一個直波導的光功率等分。

定向耦合器

一種具有雙輸入、雙輸出端口的光學器件，由兩條緊密相鄰的光波導構成。當光在其中一條波導中傳播時，部分能量會因波導間的耦合作用，周期性轉移至另一條波導中，從而實現光信號任意比例的分束。

相位調制器

通過改變光波導材料折射率從而調節光信號相位。最常見的相位調制器有基于熱光效應、載流子色散效應、電光效應、相變材料等機制。

03

光計算原理：為什么光比電快？

矩陣乘法是典型的線性運算，光通過可編程的光子矩陣計算(Optical Multiply Accumulate，oMAC)可實現高速并行處理：

Step 1

輸入向量值首先從片上存儲中提取，由數模轉換器轉換為模擬值，通過電子芯片和光子芯片之間的微凸點應用于相應的光調制器，形成輸入光矢量；

Step 2

輸入光矢量傳播過程中經過矩陣光路，自然而然完成光計算產生輸出光矢量，在經過探測器后轉為電流信號；

Step 3

電流信號通過跨阻放大器和模數轉換器返回數字域。

光計算三大優勢：

延遲極低：光計算本質上就是光在芯片中的傳輸過程，因此計算延遲約等于光在芯片內傳播的時間，可低于1ns。實際運算中，主要耗時來自于光電轉換與數模轉換，通常僅為幾個時鐘周期，且與矩陣大小幾乎無關，單次光子矩陣計算的整體延遲可控制在3ns以內。

能耗更少：光計算功耗主要來自電光轉換，在光學器件和其控制電路被較好的優化前提下，能媲美甚至凌駕先進制程的數字芯片。

不依賴先進制程：?光計算芯片通常采用成熟制程實現，?例如28nm及以上工藝節點即可滿足大多數設計需求，這與當前AI算力高度依賴3nm/5nm/7nm先進制程的電芯片形成鮮明對比。

04

光計算硬件：PACE系列光電混合計算加速卡

PACE

曦智科技于2021年發布了光子計算處理器 PACE，其核心是一個64×64 光學矩陣乘法器，采用硅光芯片與CMOS芯片2.5D堆疊封裝。在求解伊辛問題等NP完全問題時，PACE單次迭代僅需3納秒，速度可達高端GPU的800倍以上。

PACE 2（曦智天樞）

曦智科技2025年推出的全新支持商用算法的光電混合計算加速卡，包含目前全球最大規模128x128光子矩陣，具備復雜可編程性，用戶可自由配置矩陣系數，通過PCIe高速接口可無縫集成現有計算系統，適用于多種商用場景。

光計算應用場景：

生物信息：加速蛋白質結構預測、基因測序等計算。

路徑規劃：高效求解物流調度、旅行商問題等組合優化任務。

材料研發：?輔助新材料仿真與設計，縮短研發周期。

人工智能：加速神經網絡中的矩陣運算，提升圖像識別、語音處理等AI任務效率。

光計算，正以高速、低耗的獨特優勢，從實驗室走進產業視野。它不僅是突破算力瓶頸的潛力技術，更有望與現有計算系統深度融合，為AI、科學計算等領域構建下一代基礎設施。

那么，在你看來：

光計算將最先在哪個領域轉化為大規模應用？ 是它天生契合的AI推理，還是能解決燃眉之急的生物計算，或是其他我們尚未充分想象的場景？