光子矩阵乘法：光计算原理

可视化演示

展示光计算物理原理、光子矩阵乘法实现及光电子计算对比，交互切换理解光计算核心技术。

光波本质

阿光每天开工前，都要先检查水波的三件套：水面抬多高、波纹密不密、波峰什么时候到。水面抬多高，决定这股水有多“猛”；波纹的疏密，对应水流的“颜色”；波峰早到晚到，则决定了多股水汇在一起是会互相帮衬还是互相拆台。光波也一样，它表面上看是连续的波动，实际上可以精确拆成几个关键的“旋钮”，而这些旋钮正是光计算的输入原材料。

在物理上，光波用复数振幅描述最方便。一个沿 \(x\) 方向传播的平面光波可以写成：

回到工坊，阿光手里的三件套就是振幅、频率和相位。后续所有光计算，本质上都是操控这三个旋钮，让它们在传播路上自己“算起来”。

干涉计算

水波工坊最迷人的地方是蓄水池：两股水同时汇入，如果浪尖碰上浪尖，池子会掀起更高的浪；如果浪尖碰上浪底，池面反而变得平静。这就是干涉。阿光在每根进水管上装了可调的阀门（相当于权重），再让它们汇入同一个池子，于是蓄水池水位天然就变成了“按比例加权后的总和”。这个动作，恰好就是矩阵乘法中的乘加运算。

把多个输入光场分别乘上复数权重再相加，等价于矩阵乘向量。假设输入是两个光场 \(x_1, x_2\)，经过一个 \(2\times 2\) 的分束与移相网络后，输出 \(y_1, y_2\) 可以写成：

阿光看着蓄水池里翻涌的水波，忍不住感慨：电子计算要循环很多次才能做完的矩阵乘，在他这里只是一次“开闸放水”的功夫。所有乘加在光传播的一瞬间同步完成。

衍射计算

阿光的工坊后院有一排竹篱笆，水波穿过缝隙后，会在后方扩散出一圈圈波纹。他渐渐发现，竹篱的缝隙形状决定了后方的波纹图案：缝隙越密集，图案越“分得开”；缝隙越宽，图案越“聚得拢”。这就是衍射，它像一台天然的“分拣机”，把波中不同频率的成分拆开来摆好。按照惠更斯原理，每个缝隙都可以看作新的子波源，所有子波在远处叠加，便形成了衍射图案。

更神奇的是，远场衍射图案恰好是入射光场的傅里叶变换。一束波在空间上的分布，经过衍射后，变成了它在“频率维度”上的分布。这为光计算提供了一件利器：把信号变换到频域去做卷积。

阿光把竹篱笆称为“免费的傅里叶计算器”。图像卷积、信号滤波这类AI里的高频操作，只要让光通过一片精心设计的衍射层，就能在飞秒级时间内直接算完，连“乘法循环”的步骤都省了。

非线性效应

水波工坊里，阿光偶尔会往水里加一点糖浆。加了糖浆的水变稠，波纹传播的速度也会悄悄改变。而且水越“强”（振幅越大），糖浆对它的影响越明显。普通的线性光学只能做“按比例混合”，而一旦材料性质随光强改变，光就能控制光，实现开关、调制和放大。这个现象在光学里称为Kerr效应。

Kerr效应的核心是：强光会改变材料的折射率，而折射率又反过来影响光的传播。有效折射率可以写成：

有了这个“由光控光”的本领，阿光就能做出全光开关：一束弱光路过，被强光改变相位，从而被引导到不同出口。这有点类似神经网络里的激活函数——当输入强度超过某个阈值，输出才“打开”。非线性效应，正是让光计算从单纯的线性矩阵乘法走向完整神经网络的关键一步。

光学范式

阿光发现，电子工坊总喜欢让所有零件排队干活：一个数据算完，再算下一个。而他的水波工坊不一样，只要把整张“水管网”铺好，几十根管道可以同时送水，所有蓄水池同时见底。这就是光计算的范式革命：不是把单个乘法做得更快，而是把成千上万个乘法同时做完。

光计算中有两种天然并行维度：空间并行和波长并行。在矩阵乘法中，矩阵的一行对应一条光学路径，所有行的运算同时发生；不同波长的光互不干扰，各自携带一路数据，相当于在同一个空间里叠加了很多层“隐形水路”。总吞吐量可以简单表示为：

阿光看着他的整张水网，明白了“范式”二字的重量：与其纠结单个晶体管的时钟频率，不如像水波一样，让成千上万条路径在空间里同时激荡。光的并行性和丰富的波长资源，为矩阵运算提供了真正“一次成型”的架构想象力。

光电子对比

阿光偶尔会被请去电子小镇“交流经验”。他发现电子工坊里，数据像传送带上的包裹，一个接一个地经过乘法器，一旦传送带速度受限，整个工坊的产量就卡住了。而他的水波工坊虽然有天然并行优势，却也面临一个难题：水波会漫出沟渠、会被杂质搅浑，精度上总比电子零件差一些。两种工坊各有长短，最好的方案往往是合作。

衡量一种计算方式的能效，常用功耗延迟积（PDP）来刻画。它把“耗多少电”和“等多久”放在一起看：

水波工坊和电子工坊的最终设计图，其实是一张“混合图纸”：光负责传输和大规模矩阵乘，电子负责精准控制和高精度存储。阿光把这句话记在本子上：光电子混合不是妥协，而是让每一股水流都去它最擅长的地方。

AI 应用场景

Python 演示

import numpy as np def mzi_2x2(phi, theta):    # 2x2 马赫-曾德尔干涉仪，对应一对分束器与移相器    bs1 = np.array([[1, 1], [1, -1]]) / np.sqrt(2)    phase = np.diag([np.exp(1j * phi), np.exp(1j * theta)])    bs2 = np.array([[1, 1], [1, -1]]) / np.sqrt(2)    return bs2 @ phase @ bs1 def simulate_photonic_matmul(matrix, vector):    # 模拟光束按权重叠加的干涉过程    n, m = matrix.shape    output = np.zeros(m, dtype=complex)    for j in range(m):        field = 0.0 + 0.0j        for i in range(n):            weight = matrix[i, j]            field += weight * vector[i]        output[j] = field    power = np.abs(output) ** 2    return power, output def normalize_rows(matrix):    row_norms = np.linalg.norm(matrix, axis=1, keepdims=True)    return matrix / row_norms if __name__ == "__main__":    np.random.seed(42)    target = np.array([[2.0, 1.0], [1.0, -1.0]])    M = normalize_rows(target)    x = np.array([1.0, 0.5])    expected = M @ x    power, field = simulate_photonic_matmul(M, x)    calibrated = np.sqrt(power) * np.sign(field.real)    U = mzi_2x2(0.5, 0.2)    print("MZI 单元矩阵:\n", U)    print("目标矩阵乘输出:", expected)    print("光子模拟输出:  ", calibrated)    print("归一化误差:", np.linalg.norm(calibrated - expected))

1. def mzi_2x2(phi, theta):定义马赫-曾德尔干涉仪，它是光计算中最基本的可编程分束单元。
2. return bs2 @ phase @ bs1三个光学环节依次作用：分束、移相、再合束，对应矩阵的连续乘法。
3. def simulate_photonic_matmul(matrix, vector):模拟矩阵乘法的干涉叠加过程，每个输出端口收集所有输入光场。
4. field += weight * vector[i]把第 \(i\) 路输入乘以权重后累加，这就是光学干涉的数学等价。
5. power = np.abs(output) ** 2探测器只能读光的强度，因此计算复振幅模长的平方。
6. calibrated = np.sqrt(power) * np.sign(field.real)用相位符号恢复正负号，模拟相干探测对负权重的重建。
7. if __name__ == "__main__":主程序入口，验证光子模拟矩阵乘法与理想结果的误差。

常见误区

面试题