光子AI加速器：用光替代电做矩阵乘法的新路径

CH-36-03-005·约 19 分钟·量子AI与未来计算·更新 2026-08-14

想象一条古老的运河运输系统：所有货物都靠卡车在公路上跑，公路越修越宽，卡车越来越多，但总有一堵越不过去的墙——发动机在发热，油在烧尽，道路在拥堵。这就是过去半个世纪电子芯片的处境。而光子加速器给出的方案是：不派卡车送货物了，而是让整条河的水波同时流动。你向水面扔几颗石子，波纹自动交织成图案——这个图案本身就是数学运算的结果。这就是光子 AI 加速器：用透镜、干涉仪和光束，让矩阵乘法在光穿过芯片的一瞬间自动完成。这篇文章会用“运河与波纹”的比喻，带你从头理解光子为什么能算、怎么算、还差什么，以及它正走向哪里。

岗位关联

理解光子加速器，能让你看懂 AI 芯片领域最受关注的突破方向之一，也为评估“后摩尔时代”计算硬件的技术路线提供判断力——这是 AI 从业者做技术选型与前瞻判断的重要视野。

可视化演示
摩尔定律瓶颈：运河上的单车道
光子计算原理：波的自动加法
矩阵乘法映射：透镜与印花模板
光子芯片架构：把池塘搬上芯片
技术瓶颈挑战：装货卸货的代价
产业现状路线：河运与公路混搭
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示MZI干涉仪阵列光子矩阵乘法、光电混合计算架构分工、以及光子与电子计算的多维性能对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+_captions.mzi+'

摩尔定律瓶颈：运河上的单车道

想象一条古运河的运输系统：所有货物都靠卡车在单车道公路上跑。过去半个世纪，人类不断把这条公路加宽——晶体管越做越小、越排越密，每隔大约两年，同样面积的芯片就能塞下两倍的晶体管，计算能力随之翻番。这条“公路越修越宽”的规律，就是人们常说的摩尔定律。但卡车总要烧油，跑得越快、载得越重，发动机就越是滚烫。当公路窄到连挖掘机都开不进去的时候，继续加宽的代价，已经超出了它带来的收益。

在芯片世界里，“烧油”就是耗电，“滚烫”就是发热。电子芯片里每一次逻辑翻转，都相当于给一个微小的电容充放电，电荷的流动会不可避免地产生热量。当晶体管缩小到纳米尺度，量子效应又开始捣乱：电子会“漏”过看似关闭的开关，静态功耗也水涨船高。与此同时，算力需求却还在以每年超过十倍的速度膨胀——尤其是 AI 模型的训练与推理，本质上是在不停地做巨型矩阵乘法。于是，芯片厂商撞上了一堵看不见的墙：功耗墙（Power Wall）。

功耗墙背后的定量关系，是芯片设计中著名的动态功耗公式：

所以，工程师们开始换一个思路：与其在单车道公路上和物理定律死磕，不如问一句——能不能让货物搭上整条河流？水波天然并行、互不碰撞、几乎不带热量。把计算从“电子的公路”搬到“光子的河流”，这正是光子加速器的起点。

\displaystyle P_{\text{dynamic}} = \alpha C V^2 f

这个公式告诉你：芯片的功耗由“翻转率 × 电容 × 电压平方 × 频率”决定。其中电压的贡献是平方级的——压一压电压，功耗能省一大截，但性能也会跟着掉下来。

P 与 α$P_{\text{dynamic}}$ 是芯片的动态功耗，$\alpha$ 是信号翻转率——数字电路里每个时钟周期只有一部分晶体管真的在“翻面”，α 就是这个比例。这就像车队里真正在换挡加速的车占几成。
$P_{\text{dynamic}} = \alpha \cdot C \cdot V^2 \cdot f$
C 是电容$C$ 是晶体管的负载电容，代表每次充放电需要“搬运”多少电荷。电容越大，搬得越累，功耗越高。
$P \propto C$
V² 是电压平方项$V^2$ 是驱动电压的平方。电压每降低 10%，这部分功耗降到原来的 81%；但电压太低，晶体管又无法可靠开关——这就是“降压省电”的物理天花板。
$P \propto V^2$
f 是频率$f$ 是时钟频率，单位为赫兹。主频越高，每秒翻转次数越多，功耗直线上升。这也解释了为什么 CPU 主频在 2005 年前后撞上“频率墙”。
$P \propto f$

光子计算原理：波的自动加法

傍晚的池塘边，你同时向水面扔出三颗石子。波纹一圈圈向外扩散，交汇处有的浪头叠浪头变得更高，有的波峰撞上波谷彼此抹平。水面最终呈现的图案，不是某颗石子单独造成的，而是所有波纹“自动相加”的结果——你什么都没算，图案自己长了出来。光子计算的全部魔法，就藏在这句“自动相加”里。

光的本质是电磁波。两束相干的光叠加时，它们不会像两辆卡车那样碰撞减速，而是彼此穿过，并在空间某处形成稳定的干涉图案。这个图案的明暗分布，完全由两束光的相位差决定：相位相同，亮度增强；相位相反，亮度抵消。换句话说，干涉在物理世界里直接执行了“加法”，而且是波前上每一个点同时进行的加法。这就是光子计算“并行”的第一个来源——不需要 CPU 一条指令一条指令地循环，光自己就把数值加好了。

定量地看，两束光叠加后的光强服从干涉公式：

河流的波纹不需要一辆辆卡车排队——它们同时扩散、同时叠加。输入光越多、相位控制越精细，干涉图案携带的信息就越丰富。这正是光子芯片能把大量乘法-加法运算“一步到位”的物理根基。

\displaystyle I = I_1 + I_2 + 2\sqrt{I_1 I_2}\cos(\Delta\phi)

等式右边多出来的 $2\sqrt{I_1I_2}\cos(\Delta\phi)$ 叫“干涉项”，正是它让"1+1"的结果可以大于 2，也可以等于 0——物理层面完成了一次带权重的加法。

两束光的光强$I_1$ 和 $I_2$ 分别是两束光各自的光强（正比于振幅平方）。在光计算里，它们可以是两个待相加的数值，比如矩阵乘法中的两个输入元素。
$I_1 = |E_1|^2, \quad I_2 = |E_2|^2$
干涉项$2\sqrt{I_1 I_2}\cos(\Delta\phi)$ 是两束光“合伙”产生的额外贡献。它的大小取决于两束光的相对强弱，这相当于对两个输入做了加权——权重由振幅决定。
$I_{\text{int}} = 2\sqrt{I_1I_2}\cos(\Delta\phi)$
相位差$\Delta\phi$ 是两束光到达同一点时的相位差。相位差为 0 时 $\cos=1$，干涉项最大，输出“相长”；相位差为 π 时 $\cos=-1$，干涉项为负，输出“相消”。相位，正是光计算里写入权重的方式。
$\Delta\phi = \phi_1 - \phi_2 \in [0, 2\pi)$
极端情形当 $I_1 = I_2$ 时，相长干涉让 $I = 4I_1$，相消干涉让 $I = 0$。“两道光”既能变成“四道光”，也能变成“黑暗”，全看相位。
$I = 4I_1\cos^2\frac{\Delta\phi}{2}$

矩阵乘法映射：透镜与印花模板

你手里有一张写满密密麻麻字迹的透明胶片，把它放在凸透镜前方，用一束平行光照过去。透镜另一侧的屏幕上出现的，并不是放大的字迹，而是一圈圈明暗相间的同心圆环——胶片上所有信息被神奇地重新排列成了“频率的语言”。整个变换在光穿过镜片的瞬间完成，不需要任何“计算步骤”。这正是光学傅里叶变换：透镜是天然的傅里叶变换计算器。

矩阵乘法（尤其是矩阵×向量）也能映射成这种“光程变换”。设输入向量 x 有 N 个元素，把它编码成 N 束光的振幅或相位；再把矩阵 U 编码进一块可编程的“掩膜”（衍射光栅或干涉仪阵列）。当光束穿过掩膜，每一路输出都自动成为所有输入按权重叠加的结果——这正是矩阵乘法的定义。数学上，这一过程用二维傅里叶变换描述：

除了连续傅里叶变换，实际的光子芯片更多用离散的酉矩阵来表达任意线性变换。任何 N×N 酉矩阵都能分解成一组 2×2 旋转单元（即马赫-曾德尔干涉仪）的级联：

就像印花模板一次印出整匹布的图案：矩阵 U 被“刻”进干涉仪的相位参数里，输入光一照，输出端就得到 $y = Ux$——全部乘法和加法在光穿过芯片的几十皮秒内同时完成。

\displaystyle F(u,v) = \iint_{-\infty}^{\infty} f(x,y)\, e^{-i 2\pi(ux+vy)}\, dx\,dy

傅里叶变换把空间域的图像 $f(x,y)$ 变成频率域的频谱 $F(u,v)$。透镜的物理聚焦过程等价于做了一次积分——这就是“光天然会算”的数学根源。

目标矩阵$U$ 是想要实现的 N×N 酉矩阵——在神经网络里，它就是一个全连接层或卷积层的权重矩阵。
$U \in U(N)$
MZI 单元$V_k(\theta_k, \phi_k)$ 是第 k 个干涉仪对应的 2×2 分块旋转矩阵，由两个相移参数 $(\theta_k, \phi_k)$ 决定。
$V_k = \begin{pmatrix} \cos\frac{\theta_k}{2} e^{i\phi_k} & \sin\frac{\theta_k}{2} \\ -\sin\frac{\theta_k}{2} & \cos\frac{\theta_k}{2} \end{pmatrix}$
级联$D$ 是对角矩阵，乘积 $\prod$ 表示一个方向上的所有 MZI 依次串联。调节每个 $\theta_k, \phi_k$，就能“编程”出任意的 $U$。
$U = D \cdot V_K \cdots V_2 \cdot V_1$

光子芯片架构：把池塘搬上芯片

要把“波纹池塘”变成产品，工程师得先把它缩小到指甲盖大小。实验室里的光学平台可以摆满桌子，但数据中心需要的是能插进服务器机柜的芯片。于是，硅光工艺登场：在硅晶圆上蚀刻出纳米级的光波导、调制器和探测器，等于在指甲盖上修一座微型水利工程——河道、水闸、水车一应俱全。

这座微型水利工程最重要的“水闸”是马赫-曾德尔干涉仪（MZI）。它把一束光分成两路，分别在两条臂上施加相移，再合并输出。调节两个相移器的角度，这个单元就能对光信号执行任意的 2×2 线性变换。把几十上百个 MZI 像棋盘一样排成网格，再按上一节所说的酉矩阵分解方法配置每个单元的角度，整块网格就实现了一个大矩阵。数据以光的形态流过网格，输出端自然得到乘积：

除了 MZI，微环谐振器也在芯片上扮演重要角色：它可以做高速调制器，也能做波分复用器，让多种波长的光在同一根波导里“各走各的车道”，互不干扰。这套组件拼起来，就是光学神经网络（Optical Neural Network, ONN）——输入光经过多层干涉网格和调制，像电子神经网络一样完成推理。波导把微型河流引向每一个水闸，一个水闸合并两路波，下一段河道再汇入新的波——整个芯片就是一张浑然一体的光学计算网格。

\displaystyle y = Ux

这是光子芯片最基本的“编程模型”：输入光向量 x，经过可编程干涉仪网格 U，直接读出结果 y。调整相位参数，就是更新权重。

输入向量$x = [x_1, x_2, \dots, x_N]^T$，每个元素调制到一路光的振幅或相位上。N 路光同时注入芯片。
$x_i = A_i e^{i\phi_i}$
酉矩阵$U$ 由 MZI 网格实现，它是可编程的。训练好的神经网络权重经过分解，转成每个 MZI 的相位参数 $(\theta_k, \phi_k)$。
$U = U(\theta_1, \phi_1, \dots, \theta_K, \phi_K)$
输出向量$y = [y_1, \dots, y_N]^T$，由探测器阵列读出。$y_j = \sum_i U_{ji} x_i$ 正是矩阵乘法的定义。
$y_j = \sum_{i=1}^N U_{ji} x_i$

技术瓶颈挑战：装货卸货的代价

光在河床里跑得再快，货物也得上岸下岸。现实中的光子芯片，数据并不是“生来就在水里”：CPU 算好的数据先得从内存搬出来，经过数模转换（DAC）变成模拟电压，驱动激光器产生光，再经调制器把数据“印”到光束上；计算完成后，探测器把光强变回电流，再经模数转换（ADC）变成数字信号送回电子世界。这两次“装货卸货”，恰恰是当前最大的成本所在。

更麻烦的是，光量子之间几乎“不聊天”——两束光相遇只是叠加然后穿过，不会像电子管那样形成非线性开关。而神经网络偏偏离不开非线性激活函数（ReLU、Sigmoid）。目前的主流方案是把光层和电子层混着用：光专门做线性矩阵乘法，非线性激活、残差连接、归一化这些操作仍然送回电域完成。每一次跨域，都要付出转换的代价。

把整个数据通路上的能耗摊开来，光电混合芯片的总能耗约为：

就像运河再高效，若港口装卸排队，总时间就被港口卡住。这也是为什么光子芯片目前的最佳舞台是“大批量矩阵运算”：当矩阵维度 N 上了千上万，光路里的计算几乎免费，港口成本被摊薄到可以忽略；而小规模计算，光并没有什么优势——这是理解光子计算边界的关键。

\displaystyle E_{\text{total}} = E_{\text{DAC}} + E_{\text{laser}} + E_{\text{mod}} + E_{\text{detect}} + E_{\text{ADC}}

光子计算的能耗优势要在矩阵规模足够大、光路足够长时才显现；如果矩阵太小，光电转换开销反而让总能耗高于纯电子方案。

数模转换$E_{\text{DAC}}$ 是把数字信号变成模拟电信号的开销。数据带宽越高，DAC 越耗电。
$E_{\text{DAC}} \propto 2^{b} \cdot f_s$
激光源$E_{\text{laser}}$ 是产生相干光的能耗。激光器要稳定、低噪声，本身就不能断电。
$E_{\text{laser}} = P_{\text{laser}} \cdot \Delta t$
调制器$E_{\text{mod}}$ 是把数据调制到光载波上的能耗。高速调制器需要较大的驱动电压。
$E_{\text{mod}} = C_{\text{mod}} V_{\text{pp}}^2$
探测器与 ADC$E_{\text{detect}}$ 是光电二极管把光转回电流的能耗，$E_{\text{ADC}}$ 则把模拟电流量化成数字。ADC 在高精度高带宽下尤其昂贵。
$E_{\text{ADC}} = 2^{b} \cdot f_s \cdot \epsilon$

产业现状路线：河运与公路混搭

聪明的水运公司从来不说“我要用船完全取代卡车”，而是让两者分工：大宗长途走船，精细短途走卡车。光子 AI 加速器走到今天的产业共识，也惊人地相似——没有人真的想用纯光芯片取代整个 GPU，而是把光插进现有计算体系最痛的地方：矩阵乘法。这就是“光电混合架构”。

目前走在最前面的是几家硅光初创公司。Lightmatter 发布了可编程光子引擎 Envise，主打数据中心推理加速；Lightelligence 则把光学引擎和先进封装结合，尝试做成可插拔的光子协处理器。它们的共同技术底座，都是前面讲的 MZI 干涉仪阵列：把训练好的权重烧录成相位配置，输入特征图以光的形式流过网格，瞬间完成全连接层和卷积运算。与此同时，波分复用技术让多路数据在同一根波导中并行，进一步放大吞吐。

光电混合方案的端到端延迟可以写成三段时间之和：

从应用场景看，最先落地的会是数据中心里“矩阵维度特别大、批量也很稳定”的推理负载，比如大语言模型的特征投影和大规模推荐系统。而在自动驾驶、边缘计算这些对延迟极度敏感的场景，光子做矩阵预处理的低延迟优势也极具吸引力。河运和公路的混搭不是妥协，而是务实：让光做它最擅长的大规模并行乘法，让电子做它擅长的控制、存储与非线性变换。这条双轨之路，正从实验室缓缓驶向真实的数据中心机房。

\displaystyle t_{\text{total}} = t_{\text{E/O}} + t_{\text{prop}} + t_{\text{O/E}}

光在芯片内的传播延迟 $t_{\text{prop}}$ 可以压到皮秒级；当矩阵规模足够大时，它占总延迟的比例越来越小，此时光子加速的收益最大。

电转光延迟$t_{\text{E/O}}$ 是电子数据变成光信号（DAC + 激光器 + 调制器）所需的时间。这部分目前仍以纳秒计。
$t_{\text{E/O}} = t_{\text{DAC}} + t_{\text{laser}} + t_{\text{mod}}$
光传播延迟$t_{\text{prop}} = L / v_g$，其中 $L$ 是光在波导里走过的总长度，$v_g$ 是光的群速度。光速极快，芯片尺度下这一项通常小于几十皮秒。
$t_{\text{prop}} = \frac{L}{v_g} \approx \frac{0.01\,\text{m}}{2\times 10^8\,\text{m/s}} = 50\,\text{ps}$
光转电延迟$t_{\text{O/E}}$ 是探测器把光转回电流、再由 ADC 量化成数字的时间。它和 $t_{\text{E/O}}$ 一起构成跨域开销的大头。
$t_{\text{O/E}} = t_{\text{detect}} + t_{\text{ADC}}$

AI 应用场景

数据中心大模型推理加速

阶段：部署与推理

解决的问题：Transformer 模型推理中，矩阵乘法（GEMM）占整体计算量的 70% 以上，GPU 的功耗和散热成本越来越高，推理延迟也难以压下去。光子加速器把线性层的矩阵乘法卸载到可编程干涉仪网格上，用光的干涉一次完成计算，只在非线性激活和存储环节回到电子芯片，从而把推理能耗降低一个数量级。

具体案例：Lightmatter 的 Envise 光子引擎与现有 GPU 服务器协同部署，把 GPT 级别模型的全连接层计算映射到 MZI 网格；在同样的批量推理任务上，每瓦性能比纯 GPU 方案提升数倍，为云厂商降低运营成本。

自动驾驶低延迟感知

阶段：边缘感知与实时推理

解决的问题：车载芯片对延迟和功耗极其敏感，摄像头图像进入神经网络后，第一层卷积本质就是矩阵运算。若用光把图像的空间域变换和矩阵投影瞬间完成，可省下宝贵的毫秒级反应时间，同时降低车载散热负担。

具体案例：研究团队在原型系统中用 2×2 MZI 网格阵列对 512×512 图像做快速傅里叶变换预处理，光路延迟小于 1 纳秒，比同尺寸数字信号处理器快两个数量级，且无需高功耗 GPU。

光神经网络科研原型

阶段：算法研发与验证

解决的问题：研究者想验证“光训练”或“光推理”的新算法，但传统光学实验平台笨重且难以编程。可编程 MZI 网格把光路变成“可烧录”的算力，让团队在几天内迭代一个光学神经网络原型，而不是花几个月搭透镜系统。

具体案例：MIT 团队演示了全光衍射神经网络（DNN），用 3D 打印的衍射层对手写数字图像分类，整个推理过程没有电子计算参与；后续版本进一步加入可编程相位层，提升了分类准确率。

Python 演示

python49 行

import numpy as np  def mzi_matrix(theta, phi):    """单个马赫-曾德尔干涉仪(MZI)的2x2传输矩阵"""    c = np.cos(theta / 2)    s = np.sin(theta / 2)    return np.array([        [c * np.exp(1j * phi), -s],        [s, c]    ])  def build_unitary(dim, seed=0):    """用MZI级联搭建dim阶酉矩阵，模拟光子芯片的可编程光路"""    rng = np.random.default_rng(seed)    U = np.eye(dim, dtype=complex)    for j in range(dim):        for k in range(j + 1, dim):            theta = rng.uniform(0, 2 * np.pi)            phi = rng.uniform(0, 2 * np.pi)            M = mzi_matrix(theta, phi)            T = np.eye(dim, dtype=complex)            T[j, j], T[j, k] = M[0, 0], M[0, 1]            T[k, j], T[k, k] = M[1, 0], M[1, 1]            U = T @ U    return U  def photonic_matmul(inputs, matrix):    """输入光束经过酉矩阵光网格，一次完成矩阵向量乘"""    return matrix @ inputs  def main():    dim = 4    U = build_unitary(dim, seed=42)    x = np.array([1.0, 0.5, -0.3, 2.0])    y = photonic_matmul(x, U)    print("MZI grid unitary U:")    print(np.round(U, 3))    print("Input vector x:", x)    print("Photonic output y:", np.round(y, 3))    err = np.linalg.norm(U.conj().T @ U - np.eye(dim))    print("Unitarity check |U^H U - I|:", round(err, 8))  if __name__ == "__main__":    main()

目的：用 numpy 模拟“光通过 MZI 干涉仪网格完成酉矩阵乘法”的核心数学，展示光子芯片里权重如何被编程、光路如何无源地完成计算。

def mzi_matrix(theta, phi):模拟单个马赫-曾德尔干涉仪的 2×2 传输矩阵，相位参数 θ、φ 就像水闸的开度。
U = np.eye(dim, dtype=complex)从单位矩阵开始，逐级串入干涉仪单元，搭建整个光网格。
T[j, j], T[j, k] = M[0, 0], M[0, 1]把 2×2 单元嵌入大矩阵的对应行列，相当于将单个水闸接入整条河道。
U = T @ U矩阵乘法代表“级联”：光依次流过每个干涉仪，所有变换被累积起来。
return matrix @ inputs输入向量乘以酉矩阵，等价于光穿过网格后每个输出端口收到的加权叠加。
err = np.linalg.norm(U.conj().T @ U - np.eye(dim))校验酉性（数值接近 0），物理上对应“光在理想无损耗网格中能量守恒”。

常见误区

误区我听说光速是每秒 30 万公里，电子在芯片里的速度肯定慢多了。光子加速器不就是靠“光跑得快”才快的吗？

正解其实电信号在铜导线/硅波导中的传播速度是光速的 0.5~0.9 倍，两者同属一个数量级。光子加速器的真正优势是“并行”与“低能耗”：光的干涉天然对整片波前同时做加权求和，一次光路等于上亿次乘法-累加运算，而且光几乎不产热。速度不是关键，并行度才是。

为何常见：因为“光速快”是最容易记住的标签，人们天然用标签代替机制，忽略了光的波动性和干涉才是计算的本体。

误区既然计算都用光了，那整个芯片就不再需要电了，功耗应该为零吧？

正解恰恰相反，激光器要电来发光，调制器要电来加载数据，探测器要把光变回电流，DAC/ADC 都要电。当前的数据通路是“电→光→电”，两次转换的开销甚至可能超过光计算省下的能耗。光子芯片“少耗电”是指在矩阵规模足够大时，光路内部的加乘近乎免费，而不是整颗芯片不用电。

为何常见：人们把“计算用光完成”误解成“整个系统用光完成”，忽略了光也需要被产生和被读出。

误区既然 Lightmatter 都发布产品了，那光子芯片应该马上能替代 GPU 训练 GPT 了吧？

正解目前的光子加速器仍以推理为主、规模有限（几十到几百个 MZI 单元），且主要做线性矩阵运算，非线性激活和数据存储仍依赖电子芯片。要追平 GPU 的生态和规模，还需要很多年在集成度、良率和软件栈上的积累。商业化落地是“渐进式插入”而非“替代式颠覆”。

为何常见：资本新闻和研究论文倾向于展示最亮眼的指标，容易让人忽略工程化距离。

误区光越强，计算应该越猛吧？拿个大功率激光器对着掩膜一照，不就算完了吗？

正解光子计算依赖的是相干光的“相位干涉”：两束光必须频率一致、相位关系稳定，才能形成有用的干涉图案。强激光只是更多能量，没有相位信息就只是“加热”，不会产生矩阵乘法结果。控制相位、保持相干性，才是光子计算的核心技术难点。

为何常见：日常经验里的“光=亮度”让人误解光计算是在比功率，忽略了光作为波的相位维度。

面试题

Q1. 光子加速器相比电子芯片最核心的计算优势是？

单选题 · easy

A.光速比电信号快很多倍
B.光的干涉天然并行完成计算← 正确答案
C.激光器几乎不消耗能量
D.光芯片完全不需要供电

答案：B。光在介质中速度和电信号同数量级，真正的优势是干涉天然对整片波前做并行加权求和，一次光路等于大量 MAC 运算。激光器、调制器、探测器都要耗电，光芯片也需要供电，所以 A、C、D 均错。

Q2. 马赫-曾德尔干涉仪（MZI）在光子芯片中的作用是？

单选题 · easy

A.充当可调 2×2 光路单元← 正确答案
B.负责给芯片散热降温
C.放大经过的光信号强度
D.把电子信号转换为光子

答案：A。MZI 把一束光分两路、加相移、再合并，通过两个相位参数可实现任意 2×2 线性变换，是可编程光网格的基本积木。它不散热、不放大；电转光靠激光器与调制器完成。

Q3. 关于透镜在光学傅里叶变换中的作用，下列说法正确的是？

多选题 · hard

A.把输入光场变换为频谱← 正确答案
B.在焦平面形成频域分布← 正确答案
C.将光子转换为电子信号
D.增大光束携带的能量

答案：AB。透镜焦平面处的光场正是输入光场的二维傅里叶变换，输入的空间频率映射为焦平面上的位置分布，所以 A、B 正确。透镜不进行光电转换，也不增加能量，C、D 错误。

Q4. 电子芯片遭遇“功耗墙”的直接原因是？

单选题 · mid

A.晶体管小到受量子效应干扰
B.动态功耗正比于电压平方
C.芯片尺寸缩小散热更困难
D.以上多个原因共同导致← 正确答案

答案：D。功耗墙是多重因素叠加的结果：尺寸缩小带来量子漏电，动态功耗与 V²、f 成正比，散热面积又跟不上功耗密度。单说哪一条都不完整，四个选项合起来才是全貌。

Q5. 为什么不同波长的光可以在同一根波导中并行传输？

单选题 · mid

A.因为光纤会按颜色自动分路
B.因为光波之间互不干扰可叠加← 正确答案
C.因为波长不同速度就不同
D.因为波导只允许单波长通过

答案：B。不同波长的光在同一介质中传播时互不干扰、可以线性叠加，这个性质叫波分复用（WDM），让一根波导里能并行跑多条“光通道”。它不是按颜色自动分路，也不是靠速度差异，更不是只允许单波长。

Q6. 光神经网络实现“非线性激活”困难的根本原因是？

单选题 · hard

A.光子之间几乎不发生直接相互作用← 正确答案
B.激光器的输出本身是线性的
C.探测器无法感知光强之外的信息
D.波分复用会抵消非线性效应

答案：A。电子管/晶体管能靠电荷相互作用做出“开关”，而光子是玻色子，在线性介质里两束光相遇只会叠加穿过，不会像电子那样互相“推挤”。所以 ReLU 这类非线性只能靠光电混合或特殊非线性材料实现。B、C、D 都不是根本原因。

Q7. 下面哪些属于光子加速器当前的主要瓶颈？

多选题 · hard

A.电光与光电转换开销较大← 正确答案
B.片上的非线性激活实现困难← 正确答案
C.干涉仪阵列的集成度有限← 正确答案
D.光在波导中的传播速度慢

答案：ABC。瓶颈来自“港口”（电光/光电转换）和“船队规模”（集成度），以及光的线性本质导致的非线性难题。D 明显错误——光在波导中虽比真空慢，但仍极接近光速，瓶颈从来不在传播速度。

Q8. 关于光子-电子混合架构，下列说法正确的是？

多选题 · mid

A.线性矩阵乘法交给光完成← 正确答案
B.非线性激活交给电子完成← 正确答案
C.完全不需要光电信号转换
D.可降低端到端延迟与能耗← 正确答案

答案：ABD。混合架构的核心分工是“光做线性、电做非线性与控制”，数据必须经过电光/光电两次转换，所以 C 错误。只要矩阵规模足够大，转换成本被摊薄，整体延迟与能耗就能下降，A、B、D 正确。

Q9. 光子矩阵乘法中，权重矩阵 U 是如何被“写入”芯片的？

单选题 · mid

A.烧录成每个 MZI 的相位参数← 正确答案
B.用激光把数据刻在芯片表面
C.直接修改芯片的晶体管电路
D.通过更换不同的透镜来实现

答案：A。U 先做酉矩阵分解，得到每个 MZI 所需的相移角（θ, φ），再通过热光或电光相移器把它们设置成固定值。这等价于把权重“烧录”成光路配置，而不是刻字、改电路或换透镜。

Q10. 目前光子加速器最有优势的计算场景是？

单选题 · easy

A.大规模的矩阵乘法运算← 正确答案
B.单精度的标量加减法
C.小规模的布尔逻辑运算
D.长时间的数据存储工作

答案：A。光计算的固定开销（电光转换）较高，矩阵规模越大，光路内的并行收益越能摊薄开销；小规模标量、布尔逻辑、数据存储都是电子芯片的主场。