Lightelligence光子计算：让光速成为算力

可视化演示

展示MZI干涉阵列光路原理、光域矩阵向量乘法单周期计算、光电协同五阶段架构与性能对比，三模式切换理解光子计算全貌。

一、光的波动与干涉：为什么光“自带算力”

在光之部队的演兵场上，指挥官们早就发现一个奇妙的现象：两股士兵如果同时踏进同一个广场，整齐划一的步伐会让整个广场都震动起来；但如果一股士兵刻意慢半拍进场，两边的气势就会互相抵消，广场反而安静。这不是什么魔法——光也一样。

在初中物理里，光既是粒子又是波。作为波，光就有“相位”（步调）和“振幅”（气势）。当两列光波在空间相遇时，它们不会像两辆卡车相撞那样弹开，而是会在每个位置直接叠加：步调一致处更亮（相长干涉），步调相反处更暗（相消干涉）。这个叠加过程完全由物理规律自动完成，不需要任何晶体管去“计算”。数学上，两束同频率光的合成光强可以写成：

这段描述说明了一个深刻的结论：干涉本身就是一次“乘积 + 求和”。一支队伍的气势平方、另一支的气势平方，再加上两股气势的交叉乘积——物理定律免费送给了我们线性代数的核心运算。这就是光之部队“自带算力”的秘密：走路的过程，就是计算的过程。

二、光域矩阵乘法：一次行军完成 Ax

假设参谋长要给每个会师广场下达命令：每个广场收到的总声势等于三支分队的声势分别乘以各自的“喇叭放大系数”再相加。在电子芯片里，这需要 3 次乘法加 2 次加法；但在光之部队的操场上，分束器和衰减器已经按系数摆好，三股光同时到达广场，气势自然叠加。一次行军，全部算完。

这正是矩阵乘法的物理实现。一个矩阵向量乘 $y = Ax$，每个输出元素 $y_i$ 都是输入向量所有元素 $x_j$ 的加权和。在光子芯片上，$x_j$ 被编码成进入不同波导的光振幅，权重 $a_{ij}$ 通过干涉仪的分光比和相移预先设置，输出端探测器读到的光强就是 $y_i$。

电子芯片做这个求和需要反复读写寄存器、经过多个时钟周期；而光子芯片让所有贡献项在光电探测器前“会师”，探测器读到的总光强就是求和结果。时间复杂度从 $O(n)$ 降为光传播时间量级——这就是 PACE 加速矩阵运算的基本思路。

三、PACE核心架构：马赫-曾德尔干涉仪阵列

光之部队的行军路线不能乱走。军营里，每个路口都装着一个被称为“马赫-曾德尔干涉仪”（MZI）的精密路闸。它由分束器和可调相移器组成。士兵经过时，路闸既可以按比例分流，也可以给其中一股队伍加上“步调延迟”。

PACE 芯片把成千上万个 MZI 排列成阵列，构成一个可编程的光学网络。每个 MZI 的相移量通过电学控制信号设定。当所有路闸设置好，输入光向量流过整个网络时，每个输出端口的光信号就是输入向量的某个加权组合——整体完成一次 $y = Ax$。单个 MZI 的功率传输函数为：

换句话说，每一个 MZI 路闸就是一个“可学习参数”的物理化身。训练 PACE 的过程，就是在不断调整成千上万个路闸的相位角度，直到整个光路网络输出的矩阵行为符合任务要求。这正是“可编程光计算”的含义。

四、光学系统组成：芯片里的完整车间

要组织一场真正的大规模会师，只有路闸还不够，还得有发令台、传令兵和记分员。在光子芯片这个“军营车间”里，激光光源是发令台，调制器是把数据转化为光信号的命令员，探测器则是战后清点人数的记分员。

PACE 芯片本质上是一个光电混合系统：外部电子电路把数据交给 DAC，驱动调制器把数字变成光信号的振幅或相位；光信号在波导网络中完成计算后，再由探测器把光强变回电流，经过 ADC 输出数字结果。一个典型光子计算系统的总能耗可以分解为：

看到这个公式就明白为什么“光子计算”不等于“零能耗计算”——核心运算几乎不发热，但光之部队的“后勤”（光电转换环节）仍然要消耗能量。这解释了为什么 PACE 总强调自己是“加速器”而非“通用处理器”：它在矩阵乘法环节省下了物理时间，而省下的能耗是否划算，取决于数据进出车间的转换开销占比有多小。

五、能效比优势：又快又冷的物理根源

电子芯片里的电流像在砂石路上推车，每前进一步都要克服电阻摩擦，路面热得烫手；而光在波导里传播像在无摩擦的冰面上滑行，跑得飞快且不留痕迹。这就是光子计算能效比优势的物理根源。

传统电子芯片的计算能耗主要来自两部分：晶体管开关时对电容充放电的动态功耗，以及漏电流带来的静态功耗。光传播本身不涉及电荷移动，在透明波导里几乎没有电阻损耗，因此核心矩阵运算的发热趋近于零。PACE 在部分工作负载上能达到每瓦特远超电子芯片的 FLOPS 量级。描述能效比（每瓦特每秒浮点运算次数）的公式为：

回到比喻：光之部队的滑行效率只有在“行军里程足够长”时才能体现——如果刚出发就立刻停下（数据转换开销占比大），滑行优势就被后勤损耗吃掉了。这正是 PACE 主要面向大规模矩阵运算的原因：运算量越大，光计算的能效优势越明显。

六、工程挑战：光之部队的现实关卡

光之部队虽然跑得快，但对路况极度挑剔：路闸稍微松动一点，士兵的步调就会乱；气温变化几度，玻璃路面的折射率就会改变；甚至工厂打磨路闸时的毫厘误差，都会让整个会师的声势计算出现偏差。

PACE 从实验室原型走向实用化，主要面临三个现实关卡。第一是制造误差：MZI 的分束器比率、波导宽度在光刻中难以做到完全一致，导致实际传输矩阵与设计值有偏差。第二是温度敏感：硅的折射率随温度变化，热漂移会让相位设置慢慢失效。第三是校准代价：为了纠正上述误差，需要反复测量和调整每个相位，这是一项开销巨大的工程。假设每个干涉仪存在相位误差 $\delta\phi$，输出光强会相应偏离理想值：

行军路上，哪怕每个路闸只偏一度，成千上万个路闸的误差积累也会让最终结果面目全非。这也是为什么 PACE 团队要投入大量精力在封装、温控与校准算法上——光计算的“快”是物理赠予的，“准”却要靠工程去挣回来。

七、前景展望：光之部队的未来编队

光之部队不会独自作战。未来的数据中心里，更可能的景象是：电子芯片当“总指挥”负责调度，光子芯片组成“突击队”专攻大规模矩阵运算，两者通过高带宽接口紧密配合，各展所长。

Lightelligence 的 PACE 展示了一条可行的路线：用光计算在特定工作负载（如矩阵分解、线性方程组求解、Transformer 的线性投影）上获得数量级的加速。展望未来，光子矩阵加速有望从单一加速器发展为与电子平台深度集成的 Chiplet 模块，覆盖更多 AI 工作负载。混合架构的加速比可以粗略表达为：

正如光之部队最擅长在宽阔的平原上列队冲锋，光子计算最擅长的是大规模规则化的矩阵运算。让光子做它擅长的，让电子的优势补偿它的短板，这是 PACE 和下一代光子 AI 芯片最务实的作战方案。

AI 应用场景

Python 演示

import numpy as np  class IdealMZI:    """理想马赫-曾德尔干涉仪单元，用 2x2 酉矩阵表示光通过后的变换。"""     def __init__(self, theta, phi):        self.theta = theta  # 分束器分光比        self.phi = phi      # 相移器相位差     def transfer(self):        c = np.cos(self.theta)        s = np.sin(self.theta)        e = np.exp(1j * self.phi)        return np.array([[e * c, -s], [e * s, c]])  def embed_mzi(mzi, n, i, j):    """把 2x2 的 MZI 嵌入到 n 维恒等矩阵中，作用在第 i、j 两个端口上。"""    U = np.eye(n, dtype=complex)    T = mzi.transfer()    U[i, i] = T[0, 0]    U[i, j] = T[0, 1]    U[j, i] = T[1, 0]    U[j, j] = T[1, 1]    return U  def build_mesh(phases, size):    """用两层 MZI 网格构造整个 n 端口光学网络的传输矩阵。"""    net = np.eye(size, dtype=complex)    for layer in phases:        for idx, (th, ph) in enumerate(layer):            i = idx % (size - 1)            net = embed_mzi(IdealMZI(th, ph), size, i, i + 1) @ net    return net  def run_photonic_matvec(A, x):    """用光学网络模拟矩阵向量乘 y = Ax。"""    n = A.shape[0]    # 将目标矩阵的奇异值分解当作可编程相位的设定依据    U, _, Vh = np.linalg.svd(A)    # 简化示范：直接用 U 的相位构造两层网格角度    layer1 = [(np.arccos(u.real[0]), np.angle(u[0, 1])) for u in U.T]    layer2 = [(0.1, 0.2)] * (n - 1)    net = build_mesh([layer1, layer2], n)    return net @ x  if __name__ == "__main__":    rng = np.random.default_rng(42)    A = rng.standard_normal((4, 4)) + 1j * rng.standard_normal((4, 4))    x = np.array([1, 0, 0, 0], dtype=complex)     # 光学网络输出    y_optical = run_photonic_matvec(A, x)    # 电子参考输出    y_reference = A @ x     print("光域网络输出:", y_optical)    print("电子参考输出:", y_reference)    print("归一化误差:", np.linalg.norm(y_optical - y_reference)          / np.linalg.norm(y_reference))

1. class IdealMZI定义干涉仪单元，theta 控制分光比，phi 控制相位差，transfer() 返回 2×2 酉矩阵。
2. def embed_mzi(mzi, n, i, j)将单个 MZI 嵌入到 n 端口网络中，等价于光路只连接第 i 和 j 两条波导。
3. def build_mesh(phases, size)按层连接所有 MZI，从左侧乘到右侧，构造整个网络的总传输矩阵。
4. U, _, Vh = np.linalg.svd(A)用 SVD 分解目标矩阵，用得到的酉矩阵角度设定干涉仪的相位，这是光域权重编程的简化示意。
5. net = build_mesh([layer1, layer2], n)两层网格串成完整光学网络，光从输入端口进、从输出端口出。
6. return net @ x一次矩阵向量乘在光网络中就是一次“光传播”，没有任何逐元素循环。
7. if __name__ == "__main__":提供可执行入口，对比光学模拟结果与电子参考结果，验证误差。

常见误区

面试题