NPU的光计算：光学神经网络的前沿
去年调试一块光电混合计算板卡时，我盯着示波器上那团乱麻般的波形整整三天。板卡上集成了微环谐振器阵列，理论上应该实现每秒10^15次乘加运算，但实际测到的信噪比始终达不到设计值。最后发现是片上激光器的温度漂移导致谐振波长偏移了0.3纳米——这个在电子芯片上完全不是问题的量级，在光计算领域足以让整个矩阵乘法结果变成噪声。那次经历让我意识到，光学神经网络不是简单的“把电子换成光子”，它需要重新理解计算的基本物理约束。
为什么光计算突然“复活”了
光计算这个概念其实比晶体管还老。上世纪60年代就有学者用透镜做傅里叶变换，但后来被数字电子计算机碾压了半个世纪。最近十年它重新被关注，根本原因是电子NPU遇到了两个物理天花板：一是互连带宽密度，二是功耗墙。电子芯片内部金属连线的RC延迟随工艺微缩反而恶化，而光波导的带宽密度理论上可以做到电互连的1000倍以上。更关键的是，光计算的核心操作——矩阵乘法——在光学域里几乎不消耗能量，能量主要花在电光转换和光电探测上。
但别被“零功耗计算”这种宣传词忽悠了。光计算的实际功耗取决于你用什么调制方式、什么探测器。我实测过马赫-曾德尔干涉仪阵列，单个MZI的调相功耗大约在皮焦量级，比电子乘法器低两个数量级，但整个系统的激光器功耗和温控功耗会迅速吃掉这个优势。
光学神经网络的核心架构：从干涉到衍射
目前主流的光学神经网络架构可以粗暴地分成两类：干涉式（基于MZI网格）和衍射式（基于空间光调制器）。前者更像传统数字电路，用分束器和移相器构建可编程的线性变换；后者则更接近模拟计算，用衍射光学元件直接实现卷积。</
