想象你是一位调音师，面前是一台巨型调音台：几十路输入信号汇入同一张混音矩阵，每一路推子决定一个音量权重，最终从输出母线送出混好的声音。光子矩阵乘法干的正是这件事——只不过把音频电流换成了激光束：一束光照进一串由微型干涉仪组成的“光调音台”，出来时已经完成了矩阵与向量的乘法。问题来了：这台光调音台能调得多准？推子位置有误差，线缆会损耗信号，相邻通道会互相串音，数字表头只有有限的档位。这些物理现实决定了光子计算的精度天花板。本文将带着你从“推子误差”看到“光损耗”，从“串音”看到“量化台阶”，再学会用校准、补偿和分级策略在精度与速度之间找到平衡。读完你会发现：精度不是越高越好，而是够用就好——就像好的调音师，不是把每个旋钮都拧到极致，而是知道在哪儿妥协。

岗位关联

掌握光子矩阵乘法的精度限制与补偿手段，是光子 AI 芯片领域做工程决策的必修课：它能帮你判断哪些任务适合光子加速、如何设计校准流程、以及如何向团队解释“精度是资源而非短板”。

目录
  1. 可视化演示
  2. 精度瓶颈来源
  3. 光损耗与噪声
  4. 串扰与干扰
  5. 量化误差分析
  6. 误差补偿校准
  7. 精度速度权衡
  8. 方案对比选型
  9. 实际案例分析
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

\u901a\u8fc7\u52a8\u753b\u5c55\u793a\u626b\u63cf\u7ebf\u586b\u5145\u7b97\u6cd5\u7684\u6267\u884c\u8fc7\u7a0b\uff0c\u9010\u884c\u8ba1\u7b97\u4e0e\u591a\u8fb9\u5f62\u8fb9\u7684\u4ea4\u70b9\uff0c\u5728\u4ea4\u70b9\u5bf9\u4e4b\u95f4\u586b\u5145\u50cf\u7d20\u533a\u95f4\u3002

本节配有交互动效（进入视口后自动加载，约 3KB）。

\u626b\u63cf\u7ebf\u586b\u5145\u7b97\u6cd5 \u591a\u8fb9\u5f62\u8fb9\u754c \u5df2\u586b\u5145\u533a\u57df \u5f53\u524d\u4ea4\u70b9 \u5bf9\u6bcf\u6761\u626b\u63cf\u7ebf\uff0c\u6c42\u4e0e\u591a\u8fb9\u5f62\u8fb9\u7684\u4ea4\u70b9\u5e76\u6392\u5e8f\u586b\u5145

精度瓶颈来源

学徒问老师：“推子刻度和实际音量为什么不完全一致？”老师答：“推子底下是电阻，出厂就有公差，温度一变还会漂移。”光子矩阵乘法里的“推子”，就是那些微型光学器件。光子矩阵乘法用光承载数值、用器件当权重：设计时我们希望第 i 行第 j 列的权重是 w_ij，实际器件却因制造偏差、环境变化而偏离——这就是制造误差；探测器的散粒噪声与热噪声又让读数随机抖动。

精度研究者把误差来源归为三类：制造误差出厂固定、随机噪声随时变化、量化误差由数模转换决定。三者互不相关，谁大谁拖累整体精度——这是木桶效应。制造误差是确定性的，可以被校准；随机噪声只能通过平均来抑制；量化误差则由位宽决定。只要其中一项很大，整体精度就被它卡住。

老师傅诊断失真的第一步，是分清失真来自推子公差、线路噪声还是表头档位。光子芯片工程师做精度分析，干的正是同一件事：先定位误差源，再决定是换推子、加屏蔽还是换表头。

εtotal=εmfg2+εnoise2+εquant2\varepsilon_{\text{total}} = \sqrt{\varepsilon_{\text{mfg}}^2 + \varepsilon_{\text{noise}}^2 + \varepsilon_{\text{quant}}^2}
三类互不相关的误差按“平方和再开方”合成，谁大谁说了算——这是精度分析的木桶效应。
  1. ε_total（总误差）光路整体输出相对理想值的偏离程度，相当于调音台输出端的综合失真读数。
    εtotal\varepsilon_{\text{total}}
  2. 三个误差源（制造/噪声/量化）分别是制造误差、随机噪声、量化误差的幅度大小，单位一致才能合成。
    εmfg, εnoise, εquant\varepsilon_{\text{mfg}},\ \varepsilon_{\text{noise}},\ \varepsilon_{\text{quant}}
  3. 平方相加（能量叠加）互不相关的误差源在能量域叠加，方差直接相加，而不是幅度直接相加。
    εmfg2+εnoise2+εquant2\varepsilon_{\text{mfg}}^2 + \varepsilon_{\text{noise}}^2 + \varepsilon_{\text{quant}}^2
  4. 开根号（均方根合成）把能量和还原成幅度，得到总误差的均方根值。
    εmfg2+εnoise2+εquant2\sqrt{\varepsilon_{\text{mfg}}^2 + \varepsilon_{\text{noise}}^2 + \varepsilon_{\text{quant}}^2}

光损耗与噪声

演出时某路话筒声音特别小，调音师第一件事是查线缆：线越长、接头越多，信号越弱；为了补救只能推高增益，结果底噪也上来了。光信号在波导里传播时，材料吸收与侧壁散射持续消耗能量，功率随距离指数衰减；每经过一个分束器或调制器，还有固定的插入损耗。功率一弱，而探测器上的噪声几乎恒定，信噪比便随之恶化。

更麻烦的是动态范围被压缩：本来能表示 0 到 1 的数值范围，损耗后可能只剩 0 到 0.2，有效精度缩水。工程对策包括掺铒光放大器、低损耗工艺优化、把运算拆分到更短路径上——但每一条都要付出成本。光损耗就像“每一毫米都收过路费”的高速公路，理解这一点，就懂得为什么芯片越紧凑越值钱。

P(L)=P0 e−αLP(L) = P_0 \, e^{-\alpha L}
光功率随传播距离指数下滑，每走一截固定比例的“过路费”，所以信号只会越来越弱，不会归零。
  1. P(L)（剩余功率）光在波导中传播距离 L 后还剩多少功率，即输出端读到的信号强度。
    P(L)P(L)
  2. P_0（初始功率）刚进入波导时的光功率，相当于话筒刚进线时的原始信号强度。
    P0P_0
  3. 指数项（指数衰减）损耗是“每单位长度损失固定比例”，功率按自然指数下滑而非线性下滑，像线缆每米吃掉 5% 信号，10 米后约剩 60%。
    e−αLe^{-\alpha L}
  4. α（损耗系数）单位长度上的衰减率，由波导材料和工艺决定，是芯片的“线缆质量指标”。
    α\alpha

串扰与干扰

排练时吉他 solo 一响，贝斯通道也能听到一点“漏音”——相邻通道的物理隔离不完美，这就是串音。光子芯片上波导间距只有微米级，光场会“渗”进隔壁，串扰相当于在理想加权和之外，混入了其他通道的贡献；热效应还会改变波导折射率，引发相位漂移。

幸运的是，串扰可以部分建模：如果测出耦合系数，就能在算法中把泄漏项减去，或预先对权重修正。但串扰与温度耦合时呈非线性，完全抵消很难，工程上通常把“串扰 + 主信号”放在一起做整体校准。调音师没法彻底杜绝串音，但能通过“听一遍再微调”让它在听感中消失；光子芯片工程师也一样——测出来，再补回去。

yi=∑j=1nwijxj+∑k≠icikxk+niy_i = \sum_{j=1}^{n} w_{ij} x_j + \sum_{k \neq i} c_{ik} x_k + n_i
实际输出等于三部分之和：理想加权和 + 邻居泄漏 + 随机噪声，像三股水流汇入同一根管道。
  1. y_i（第 i 路输出）混音母线第 i 路的最终信号，即矩阵乘法的第 i 个结果。
    yiy_i
  2. 加权和（理想部分）所有输入分量按设计权重累加，这是我们希望得到的干净信号。
    ∑j=1nwijxj\sum_{j=1}^{n} w_{ij} x_j
  3. 串扰项（泄漏部分）来自其他通道的泄漏，c_ik 表示第 k 路对第 i 路的耦合强度。
    ∑k≠icikxk\sum_{k \neq i} c_{ik} x_k
  4. n_i（噪声项）探测器与放大电路引入的随机扰动，不可预测但可通过多次平均抑制。
    nin_i

量化误差分析

数字调音台的音量旋钮其实是“档位旋钮”：从 0 到 127，档位之间没有中间值，想调 33.7 只能选 33 或 34。光子芯片同样要在数字世界与光模拟世界之间来回翻译：DAC 把数字变成光强度或相位，ADC 把光读数变回数字。位宽决定档位数，位数越多台阶越小，但芯片面积、功耗和速度代价都上升。

量化误差的最大值是一个台阶 Δ，统计上误差近似均匀分布在 ±Δ/2 内，其标准差为 Δ/√12 ≈ 0.289Δ。这意味着“最后一位的误差”在多次运算中会随机累积，矩阵乘法层数越多，累积误差越不可忽视。旋钮档位不够细，混音师只能接受微小失真；光子芯片的“档位”由位宽决定——每多一位，台阶减半，误差减半。

Δ=VFS2b,σq=Δ12\Delta = \frac{V_{\text{FS}}}{2^{b}}, \qquad \sigma_{q} = \frac{\Delta}{\sqrt{12}}
满量程除以档位数得到台阶；均匀量化噪声的标准差约为台阶的 0.289 倍，是多次运算误差积累的“单价”。
  1. Δ（量化台阶）相邻离散档位之间的间隔，相当于调音台旋钮每格代表的音量。
    Δ=VFS2b\Delta = \frac{V_{\text{FS}}}{2^{b}}
  2. V_FS（满量程）信号允许的最大幅度范围，满量程越大、位宽不变时，每个档位“分到”的范围越大。
    VFSV_{\text{FS}}
  3. 2^b（档位总数）b 位二进制共有 2 的 b 次方个档位；位宽加 1，档位翻倍，台阶自然减半。
    2b2^{b}
  4. σ_q（量化噪声标准差）舍入误差统计意义上的大小，约等于台阶的 0.289 倍，是多次运算误差累积的“单价”。
    σq=Δ12\sigma_{q} = \frac{\Delta}{\sqrt{12}}

误差补偿校准

大明星的专属调音师有个习惯：开演前用 1kHz 测试音扫过每一路，记录每个推子实际音量与刻度读数的偏差，演出时按表预先修正。校准的基本思想正是如此：先用高精度参考向量注入芯片，测出实际矩阵 W_meas，它与设计矩阵之差就是可复现的系统性偏差；配置权重时，把偏差反向扣除。

工程上有三个层次：预校准在出厂或开机时做，适合慢变的制造误差；在线补偿在运行时周期性注入少量导频信号，跟踪温度漂移；冗余抵消把同一运算复制到多份器件上取平均。三种手段成本与效果递增，实际系统常组合使用。测试音、校准表、预修正——这套“演出前功课”在光子芯片上以校准矩阵的形式存在，是精度管理的日常。

w^ij=wijmeas−e^ij\hat{w}_{ij} = w_{ij}^{\text{meas}} - \hat{e}_{ij}
最终写进器件的修正值 = 实测值 − 估计偏差，把系统偏差在配置时先“预支”掉。
  1. ŵ_ij（修正后权重）真正写入器件的配置值，相当于调音师把推子预先拧偏一点。
    w^ij\hat{w}_{ij}
  2. w_ij^meas（实测权重）用参考信号实测得到的器件行为，包含制造误差与当前环境的影响。
    wijmeasw_{ij}^{\text{meas}}
  3. ê_ij（估计偏差）对器件实际值偏离理想值的估计，由校准阶段的测量数据计算得到。
    e^ij\hat{e}_{ij}

精度速度权衡

录音棚里混音师可以打磨几个小时，现场一秒都不能等。光子芯片面临同样的抉择：想读准光信号，就要让光子在探测器上多“驻留”一会儿——积分时间越长，随机噪声被平均得越干净，但每秒能完成的矩阵乘法次数越少。定量地说，信号幅度正比于 T，噪声幅度正比于 √T，因此信噪比正比于 √T。

把积分时间延长 4 倍，信噪比只提升 2 倍（约 6 dB），收益递减。反过来，想提高运算速度，每个符号的光子数变少，散粒噪声占比上升。因此聪明系统不做单选题，而是做“精度分级”：大部分运算走 4-8 位快速光通道，关键运算切换到慢速高精度模式，或交给数字后端做残差修正。好的调音师不追求每个旋钮都精确，而是把精细留给副歌；光子芯片把高精度留给关键路径，其余交给速度。

SNR∝Tint\text{SNR} \propto \sqrt{T_{\text{int}}}
信噪比随积分时间的平方根增长，时间翻四倍只换来两倍信噪比，收益递减是权衡的核心。
  1. SNR（信噪比）信号功率与噪声功率之比，衡量读出的数值有多“干净”。
    SNR\text{SNR}
  2. T_int（积分时间）光探测器累积光子计数的时间窗口，时间越长收集的光子越多。
    TintT_{\text{int}}
  3. 平方根关系信号随 T 线性增长，噪声只随 √T 增长，所以信噪比按 √T 增长，延长时间的收益逐渐递减。
    Tint\sqrt{T_{\text{int}}}

方案对比选型

小型酒吧演出、中型音乐节、顶级录音棚，选调音台的标准完全不同：预算、便携性、音质、维护成本都要取舍。光子矩阵乘法也有三条典型的“调音台方案”。纯模拟光方案全光域运算，速度最快、延迟最低、成本最低，但精度受限于模拟噪声，适合低精度推理；混合方案光域做粗算、数字域做细修，速度居中、精度较高、成本中等，是目前最实用的路线；后端纠错方案光域只出近似结果，数字处理器做残差迭代收敛到高精度，精度最高但最慢最复杂。

选型时可以用有效位数 ENOB 统一度量：把实测信噪比换算成“实际等效位数”，标称 12 位 DAC 的芯片若噪声大，有效位数可能只有 6 位。性能、成本、部署难度三个维度需要放在同一张表上权衡——预算和场合决定调音台，精度需求和成本决定光子方案，没有最好，只有最合适。

beff=SNRdB−1.766.02b_{\text{eff}} = \frac{\text{SNR}_{\text{dB}} - 1.76}{6.02}
把信噪比的 dB 值折算成“实际比特数”：6.02 dB 对应 1 位，还要扣掉理想量化的 1.76 dB 常数。
  1. b_eff（有效位数）芯片实际达到的精度对应的比特数，是标称位数的“真身”。
    beffb_{\text{eff}}
  2. SNR_dB（信噪比分贝值）把功率比取对数乘以 10 得到的数值，便于表达大范围比值。
    SNRdB\text{SNR}_{\text{dB}}
  3. 1.76（修正项）理想量化噪声对应的常数，来源于对满量程正弦信号的理论分析。
    1.761.76
  4. 6.02（每比特分贝数）每增加 1 位精度，信噪比约提高 6.02 dB。
    6.026.02

实际案例分析

夜市路演只要听清主旋律，婚礼现场既要有气氛又不能出错，国家大剧院则要求每个音符完美——三种演出对应三种调音策略。低精度案例：某推荐系统的矩阵乘用光子芯片 8 位量化加速，配合出厂校准表，线上点击率损失小于 0.5%，吞吐量提升数倍。混合精度案例：自动驾驶感知先低精度扫描全图候选区域，再高精度二次确认，在功耗预算内兼顾召回率与准确率。

高精度案例：流体力学仿真用光子芯片求近似解，数字后端残差迭代收敛到双精度，整体耗时减半。不同精度需求对应不同的位数要求：目标相对误差为 ε，则至少需要 log2(1/ε) 位；而可用位数又被损耗、串扰、量化共同限制。案例选型的本质，是找一个“误差预算”与“物理能力”的交集——就像三份演出合同写明了可接受的瑕疵率，工程师按合同选择方案。

breq=⌈log⁡21ε⌉b_{\text{req}} = \left\lceil \log_2 \frac{1}{\varepsilon} \right\rceil
目标误差越小，所需位数按对数增长：误差减半只需多 1 位，但要真正达到，必须突破前面所有误差源的共同限制。
  1. b_req（所需位数）为达到目标误差需要的最少量化位数。
    breqb_{\text{req}}
  2. ε（目标相对误差）应用能容忍的最大相对偏差，比如 1% 对应 ε = 0.01。
    ε\varepsilon
  3. 对数换算（分辨率）把误差容限换算成二进制档位数量级，误差每缩小一半多需 1 位。
    log⁡21ε\log_2 \frac{1}{\varepsilon}
  4. 向上取整（取整符号）位数必须是整数，必须保证位数足够，因此上取整。
    ⌈⋅⌉\left\lceil \cdot \right\rceil

AI 应用场景

大模型推理加速：低精度光子矩阵乘

阶段：推理部署（Inference Serving）

解决的问题：大模型推理中矩阵乘占比超过 60%，GPU 算力成本高、功耗大。光子芯片速度快，但 8 位以下量化的精度损失让人担心。通过“出厂校准表 + 在线导频补偿”把系统性误差压到量化噪声以下，低精度变得可用。

具体案例：某云厂商在推荐系统推理链路上部署光子加速卡，矩阵乘从 FP32 降到 INT8 光子运算，配合每块芯片出厂时生成的校准矩阵，推荐点击率下降不足 0.5%，单卡吞吐提升约 5 倍，功耗下降 70%。

自动驾驶感知：混合精度光计算

阶段：端侧实时推理（Edge Inference）

解决的问题：车载芯片功耗受限，全图高精度检测太慢，低精度误检率高。混合精度方案用 4 位光矩阵乘快速扫描全图获得候选框，再用 8 位光矩阵乘对候选区域精细分类，兼顾速度与准确率。

具体案例：某自动驾驶公司感知模块部署混合精度光子加速器，行人检测在全分辨率下达到 30 FPS，相比纯 GPU 方案功耗降低 60%，误检率仅增加 0.3%。

科学计算仿真：光子近似 + 数字残差修正

阶段：数值仿真（Numerical Simulation）

解决的问题：流体力学、电磁场仿真需要高精度矩阵运算，传统求解器耗时以天计。光子芯片能快速给出近似解，但精度只有 1e-3 量级；用数字后端做残差迭代（原理同误差补偿），几轮就能收敛到双精度。

具体案例：某研究院将光子原型机接入流体力学求解器，每轮迭代的光子近似解作为预条件，数字残差修正收敛到 1e-12，整体仿真时间缩短为原来的三分之一。

Python 演示

python46 行
import numpy as np  def realize(w_design, e_std=0.05, seed=1):    """制造误差: 实际器件矩阵偏离设计值, 偏差固定且可测"""    e = np.random.default_rng(seed).normal(0, e_std, w_design.shape)    return w_design + e, e  def photonic_mvm(w_real, x, bits=4, loss=0.85, xtalk=0.05, noise=0.01, seed=0):    """光子矩阵向量乘: 光损耗 + 串扰 + 随机噪声 + 量化"""    y = w_real @ x * loss    n = len(y)    for i in range(n):        y[i] = y[i] + xtalk * np.sum(np.delete(y, i))    y = y + np.random.default_rng(seed).normal(0, noise, n)    step = 2.0 / (2 ** bits)    return np.round(y / step) * step  def calibrate(w_design, w_meas):    """误差补偿: 用实测矩阵估计系统偏差并反向修正"""    e = w_meas - w_design    return w_design - e, e  def main():    rng = np.random.default_rng(7)    w = rng.uniform(-1, 1, (4, 4))    x = rng.uniform(0, 1, 4)    w_real, e_real = realize(w)    y_ideal = w @ x    y_before = photonic_mvm(w_real, x)    w_prog, e_est = calibrate(w, w_real)    w_eff = w_prog + e_real    y_after = photonic_mvm(w_eff, x)     def rel_err(a, b):        return np.mean(np.abs(a - b) / (np.abs(b) + 1e-9)) * 100     print("校正前平均误差: {:.2f}%".format(rel_err(y_before, y_ideal)))    print("校正后平均误差: {:.2f}%".format(rel_err(y_after, y_ideal)))  if __name__ == "__main__":    main()
目的：模拟光子矩阵乘法中光损耗、串扰、量化与噪声对精度的侵蚀，再用校准补偿把系统性偏差抵消，直观对比校正前后的误差变化。
  1. e = np.random.default_rng(seed).normal(0, e_std, w_design.shape)制造误差服从零均值高斯分布，偏差固定且可被测量。
  2. y = w_real @ x * loss一次矩阵向量乘后立即打上“光损耗”折扣，对应 P(L) 的工程简化。
  3. y[i] = y[i] + xtalk * np.sum(np.delete(y, i))每个输出通道混入其余通道的泄漏，即串扰项。
  4. step = 2.0 / (2 ** bits)由位宽计算量化台阶，位宽越小台阶越大。
  5. np.round(y / step) * step把连续值就近对齐到离散档位，完成均匀量化。
  6. e = w_meas - w_design校准阶段的核心一步：用实测矩阵减去设计值，估计系统偏差。
  7. return w_design - e, e生成补偿配置并返回偏差，即“把推子预先拧偏一点”。

常见误区

误区我刚接触光子计算，看到它又有损耗又有噪声又有量化，觉得这芯片算什么都不准，只能待在实验室里当玩具。

正解精度限制说的是“物理能给出多少有效位数”，而不是“精度不可用”。通过校准、补偿与后端纠错，低精度也能胜任大量任务——推荐、分类、检测这些场景本来就需要 4-8 位精度。就像现场调音台噪声很大，但出色调音师依然能让观众听到干净的音乐。

为何常见：初学者容易把“限制”理解成“死刑”，忽略了工程上所有系统都有误差预算，只是分配方式不同。

误区既然量化误差大，那把 ADC 从 8 位换成 16 位、24 位，精度不就上去了吗？

正解整体精度由最短板决定：光损耗和噪声已经把信号淹没，ADC 位数再高也只是把噪声量化得更精细。衡量指标是 ENOB（有效位数），它把模拟噪声折算成实际位数——噪声大的 16 位系统可能只有 6 位有效精度。就像用百万像素相机拍雾天，照片依然朦胧。

为何常见：沿用了数字芯片“加位宽总能提精度”的直觉，忽略了模拟噪声占主导时位宽边际收益趋近于零。

误区芯片出厂前校准一次，之后永远按那张表修正，应该就够了吧？

正解光学器件会随温度、湿度、老化发生漂移，波导折射率一变，相位和分光比就变，校准表会过期。工程上需要在线补偿：运行时周期性注入导频信号，动态更新修正量。类比：调音台开演前校一次，演出中温度升高，推子位置还要微调。

为何常见：把光学器件当成“出厂即固定”的数字芯片，忽略了模拟世界的时变性。

误区串扰是芯片制造工艺不行，只有花大价钱买更高精度的光刻设备才能解决。

正解串扰系数在一定条件下是可复现、可建模的，算法层面可以做解耦：测出耦合矩阵后，在权重配置时预补偿；也可以用差分编码让相邻通道的泄漏相互抵消。工艺升级只是手段之一，算法补偿往往性价比更高。

为何常见：把物理问题全都归因于制造端，忽视了信号处理层面的可能性——就像以为消回声只能靠装修，不知道有降噪算法。

误区想精度高就必须放慢速度，想速度快就只能忍受低精度，没有第三条路。

正解速度与精度并不是一根杠杆的两端，而是可以分级调度的：快通道粗算、慢通道细算、数字后端兜底。把精度当资源分配，可以在整体吞吐几乎不变的情况下让关键路径精度达标。现场演出也能既快又稳——只需要把“精细活”留给关键时刻。

为何常见：把论文里的 SNR∝√T 当成全局约束，忽略了系统架构完全可以同时拥有多个精度档位。

面试题

Q1. 光损耗对光子矩阵乘法的最直接后果是什么？

单选题 · easy

  • A.光路通道之间的串扰变强
  • B.信号功率下降且信噪比恶化← 正确答案
  • C.权重矩阵的规模扩大翻倍
  • D.芯片的面积变得更大更厚

答案：B。光损耗消耗的是信号功率，噪声水平基本不变，因此信噪比下降。串扰是通道间的空间耦合，与损耗是两类独立现象；矩阵规模和芯片面积也不会因损耗而改变。就像线缆变长只让声音变小，不会让乐器互相串入话筒。

Q2. DAC 量化位宽增加 1 位，量化台阶大小如何变化？

单选题 · easy

  • A.增加到原来的四倍
  • B.保持大小完全不变
  • C.减少为原来的一半← 正确答案
  • D.与位宽完全没有任何关系

答案：C。b 位共有 2^b 个档位，满量程除以档位数就是台阶，所以位宽加 1，档位翻倍，台阶减半。比喻：100 元分 100 份每份 1 元，分 200 份每份 5 角。

Q3. 积分时间延长为原来的 4 倍，信噪比大约如何变化？

单选题 · mid

  • A.提升约 4 倍（约 12 dB）
  • B.提升大约 8 倍（约 24 dB）
  • C.提升约 2 倍（约 6 dB）← 正确答案
  • D.信噪比完全不发生变化

答案：C。SNR ∝ √T，信号随 T 线性增长，噪声只随 √T 增长，所以 4 倍时间换来 2 倍信噪比。磨得越久噪声平均得越干净，但边际收益递减。

Q4. 光子芯片中“串扰”指的是什么？

单选题 · mid

  • A.光波导材料吸收导致的功率损耗
  • B.电源电压的波动导致信号抖动
  • C.量化台阶造成的舍入误差积累
  • D.相邻通道的信号相互泄漏混合← 正确答案

答案：D。串扰是相邻波导中光场耦合导致的信号泄漏，原本一路的信号混入另一路。损耗、电压波动、量化是另外三类问题。就像相邻两路话筒互相听到对方的声源。

Q5. 误差校准的核心思想是什么？

单选题 · mid

  • A.把输入光功率直接调到最大档位
  • B.用参考测量估计系统偏差并反向修正← 正确答案
  • C.提高输出采样率来充分压制噪声
  • D.更换更高位宽的模数转换器器件

答案：B。可复现的系统偏差（制造误差、温漂）能被测出来，然后在配置权重时反向扣除。加大功率、提高采样率、换 ADC 针对的是噪声和量化，不是系统性偏差。就像调音师用测试音量出推子偏差后预先把推子拧偏一点。

Q6. 某光子处理器实测信噪比为 30 dB，按 b = (SNR − 1.76) / 6.02 计算，其有效位数约为多少？

单选题 · extreme

  • A.约 6.9 位
  • B.约 8.2 位
  • C.约 4.7 位← 正确答案
  • D.约 5.0 位

答案：C。(30 − 1.76) / 6.02 ≈ 4.69，约 4.7 位。标称 12 位的系统受噪声拖累，实际精度可能连 5 位都不到——这就是“标称位数”与“有效位数”的差距，相当于标着 100W 的音响实际只有 40W 推力。

Q7. 光功率沿波导传播时的一般变化规律是什么？

单选题 · easy

  • A.功率保持初始数值完全不变
  • B.功率随距离增加而线性增长
  • C.功率随距离增加而正弦振荡
  • D.功率随距离增加而指数衰减← 正确答案

答案：D。P(L) = P0·e^(−αL)，每单位长度损耗固定比例，所以整体呈指数衰减。线缆每米吃掉固定百分比，百米后就所剩无几了。

Q8. 下列哪些因素会降低光子矩阵乘法的精度？

多选题 · mid

  • A.器件制造误差← 正确答案
  • B.通道间信号串扰← 正确答案
  • C.DAC 与 ADC 量化误差← 正确答案
  • D.编译器的优化等级

答案：ABC。制造误差带来系统性偏差，串扰混入无关信号，量化误差限制信息分辨率——它们是正文讨论的三大误差源。编译器优化只影响软件执行，与光路物理精度无关。

Q9. 提升光子计算精度的工程手段包括哪些？

多选题 · hard

  • A.预校准与在线误差补偿← 正确答案
  • B.增加曝光时间提升信噪比← 正确答案
  • C.后端数字纠错网络← 正确答案
  • D.全电子方案替代光波导

答案：ABC。校准修正系统性偏差，曝光提高信噪比，后端数字纠错兜底残余误差，三者常组合使用。全电子替代等于放弃光子加速，不是“提升光子精度”的手段。

Q10. 关于精度与速度的权衡，正确的做法包括哪些？

多选题 · hard

  • A.按任务需求选择合适精度档位← 正确答案
  • B.粗快通道与细慢通道混合← 正确答案
  • C.所有运算一律使用最高精度
  • D.用误差补偿换取可接受的更高速度← 正确答案

答案：ABD。精度是资源，按需分配；粗快细慢混合同样可行；误差补偿能把精度“省”出来换成速度。一律最高精度既慢又费电，是典型的过度设计。