音乐厅里正在为新年音乐会做最后的彩排。指挥家发现，如果把整支乐团每个乐手的声音都独立录制下来，调音台需要上千条通道，设备昂贵到难以想象。这时音乐总监提出了一个聪明的方案：先把总谱拆成“主旋律”“音量旋钮”和“时间线”三组信息，再只保留音量最大的几个声部，那些微弱到几乎听不见的打击乐声部直接静音。最终调音台缩小了十倍，台下观众却听不出任何区别。 这个“给总谱做减法”的数学方法，就是奇异值分解（SVD）。在 AI 领域，光子芯片用光做矩阵乘法，就像一支光速乐团：光穿过精心布置的干涉仪网络后，输出端的光强直接就是矩阵乘法的结果。但光芯片的“调音台”——马赫-曾德尔干涉仪阵列——非常昂贵，矩阵稍大一点，硬件规模就会爆炸式扩张。SVD 分解可以把大矩阵拆成几个关键成分的乘积，截断掉不重要的成分后，光子芯片的体积、功耗和成本大幅下降，而推理精度几乎无损。 这就是“光子矩阵乘法：SVD分解加速”要讲的故事：如何用一套优雅的数学方法，让光速乐团轻装上阵。

岗位关联

对 AI 从业者而言，理解 SVD 加速光子乘法，等于掌握了一套从算法到硬件的完整压缩思路：既能压缩模型、降低推理成本，又能看懂光子芯片的映射原理，是未来 AI 基础设施领域的稀缺技能。

目录
  1. 可视化演示
  2. 光算矩阵乘法：光速乐团的舞台
  3. 核心分解原理：把总谱拆成声部
  4. 低秩截断策略：静音非关键声部
  5. 精度误差分析：听众能否听出差别
  6. 硬件映射优化：把声部分配进光速录音棚
  7. 秩截断调优：不同声部不同待遇
  8. 验证部署评估：从彩排到正式演出
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示SVD分解原理、低秩截断精度评估与光子硬件映射优化，交互切换理解光子矩阵乘法加速技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.decompose.caption+'

光算矩阵乘法：光速乐团的舞台

想象一支庞大的交响乐团，每位乐手面前都摆着总谱。指挥家一挥手，几十个声部同时发声，声波在大厅中瞬间交织。传统电子计算机要模拟这个“乐团”时，只能让乐手们排成一列，一个音符一个音符地依次演奏；而光子计算芯片的灵感，是让所有声部真正在同一瞬间共振——一束光穿过精心布置的干涉仪网络，输出端的光强分布就是矩阵乘法的结果。

在神经网络里，矩阵乘法是最频繁的“音符”。无论是全连接层、卷积层还是注意力头，底层都在反复执行同一种操作：一个 m×n 的权重矩阵 W，乘上输入向量 x，得到输出向量 y。光子芯片用马赫-曾德尔干涉仪（MZI）搭建光学网络，把权重 W 编码为一个个干涉仪分光比的相位配置。输入光载着 x 进入网络，经过分光、干涉、合束，光电探测器读出的光强，正是一次完整的矩阵乘法。光的速度让这次计算几乎不耗时。

舞台看似完美，但调音台的扩张速度令人头疼：一个 m×n 的矩阵需要约 m×n 个 MZI 单元。矩阵从 64 维涨到 1024 维，硬件规模不是翻倍，而是增长了上百倍。光速乐团再快，也装不下无限膨胀的设备。于是，音乐总监决定动一场“减配手术”——这就是 SVD 出场的时刻。

y=Wx\displaystyle y = Wx
这个式子描述了神经网络线性层的核心计算：输入经过权重矩阵的线性变换，得到输出。
  1. 输入信号 xx 是长度 n 的输入向量，相当于乐团演奏前各声部准备好的一组“起始强度”，一束光载着它进入光子芯片。
    x=[x1x2⋮xn]x = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}
  2. 权重矩阵 WW 是 m×n 矩阵，记录了每个输入分量如何加权组合出输出分量，相当于总谱中每个音符的配器规则。
    W=[w11⋯w1n⋮⋱⋮wm1⋯wmn]W = \begin{bmatrix} w_{11} & \cdots & w_{1n} \\ \vdots & \ddots & \vdots \\ w_{m1} & \cdots & w_{mn} \end{bmatrix}
  3. 线性变换 y每个输出分量都是输入分量的加权和；在光子芯片上，这一加权和由光在 MZI 网络中的干涉一次完成。
    yi=∑j=1nwijxjy_i = \sum_{j=1}^{n} w_{ij} x_j

核心分解原理：把总谱拆成声部

音乐总监拿到总谱后发现，看似复杂的交响乐，其实可以拆成若干条独立的“声部轨道”。每条轨道都有自己的乐器组合、音量旋钮和节奏线。只要把这三样分别记录好，任何时候都能重新混出整首曲子——SVD 做的事情正是如此。

任何一个 m×n 的实数矩阵 A，都能被分解成三个矩阵的乘积：左奇异向量矩阵 U、对角奇异值矩阵 Σ 和右奇异向量矩阵 Vᵀ。U 的列向量是“声部的基底”，描述矩阵最主要的几种结构模式；Σ 对角线上的奇异值 \(\sigma_1, \sigma_2, \ldots\) 是“音量旋钮”，且按从大到小排列；Vᵀ 则像“时间线”，记录每个模式在另一维度上的演变轨迹。

把这三个矩阵乘回去，就能还原原始矩阵 A。这就是 SVD 最迷人的“重构之美”：信息没有丢失，只是被整理成了更清晰的形式。但我们的目标不是完美还原，而是要在光子芯片上“少花钱多办事”，于是下一个问题来了：能不能只保留几条最响的声部，就让人听不出区别？

A=UΣV⊤\displaystyle A = U \Sigma V^\top
这个公式把任意矩阵拆成“结构模式 × 重要程度 × 演变方式”，是低秩压缩的数学基石。
  1. 左奇异向量矩阵 UU 是 m×r 的列正交矩阵，每一列是一个“主旋律”，描述矩阵中反复出现的结构模式。
    U⊤U=IU^\top U = I
  2. 奇异值矩阵 ΣΣ 是对角矩阵，对角线上的奇异值按从大到小排列，代表每个“主旋律”的音量强度。
    Σ=diag(σ1,σ2,…,σr),σ1≥σ2≥⋯≥σr≥0\Sigma = \mathrm{diag}(\sigma_1, \sigma_2, \dots, \sigma_r), \quad \sigma_1 \ge \sigma_2 \ge \cdots \ge \sigma_r \ge 0
  3. 右奇异向量矩阵 VᵀV 是 n×r 的列正交矩阵，其转置 Vᵀ 描述每个“主旋律”在另一个维度上如何发挥，相当于时间线。
    V⊤V=IV^\top V = I

低秩截断策略：静音非关键声部

录音棚的空间是有限的。音乐总监看着音量表上排成一列的奇异值，发现前几条轨道占据了绝大部分能量，而后排三角铁、铃鼓之类的声部音量极小，混进背景噪音里几乎听不见。他果断按下静音键，把这些小音量轨道全部关掉——这个动作对应数学上的“低秩截断”。

截断操作很直观：只保留前 k 个最大的奇异值，把其余奇异值直接置为 0，再去重构矩阵。这样得到的近似矩阵只用了原来一小部分“声部通道”，却依然能还原出乐曲的主体。保留多少能量，用能量占比来衡量：前 k 个奇异值的平方和，除以所有奇异值的平方和。一般保留 90% 到 99% 的能量，就足以让模型精度几乎不掉。

静音掉小声部后，调音台体积大幅缩小。但是观众会不会听出差别？这需要科学的误差衡量——下一节就来回答“听众的耳朵有多敏锐”。

Ak=UkΣkVk⊤,η=∑i=1kσi2∑i=1rσi2\displaystyle A_k = U_k \Sigma_k V_k^\top, \qquad \eta = \frac{\sum_{i=1}^{k} \sigma_i^2}{\sum_{i=1}^{r} \sigma_i^2}
第一个式子描述“只保留前 k 条声部后的近似矩阵”，第二个式子是“这 k 条声部还能留住多少信息”。
  1. 截断操作从完整 SVD 中取前 k 列 U、前 k 个奇异值、前 k 行 Vᵀ，其余全部丢弃。
    Uk∈Rm×k,Σk∈Rk×k,Vk⊤∈Rk×nU_k \in \mathbb{R}^{m \times k}, \quad \Sigma_k \in \mathbb{R}^{k \times k}, \quad V_k^\top \in \mathbb{R}^{k \times n}
  2. 近似重构把三块小矩阵相乘，得到一个秩不超过 k 的近似矩阵 A_k。
    Ak=UkΣkVk⊤A_k = U_k \Sigma_k V_k^\top
  3. 能量占比用奇异值平方和度量信息量，占比越高说明截断损失越小；工程上常用 90% 或 99% 作为门槛。
    η=∑i=1kσi2∑i=1rσi2\eta = \frac{\sum_{i=1}^{k} \sigma_i^2}{\sum_{i=1}^{r} \sigma_i^2}

精度误差分析：听众能否听出差别

音乐总监在正式演出前最担心的就是：静音掉十几个声部后，观众会不会立刻皱起眉头？要回答这个问题，得先定义一种“听力距离”，也就是度量矩阵差异的标尺。在矩阵理论中，最常用的是 Frobenius 范数，它把矩阵中所有元素的误差平方加起来再开方，相当于统计每个音符偏离了多少。

Eckart-Young 定理给出了一个令人安心的结论：在所有秩不超过 k 的近似矩阵中，截断 SVD 产生的近似矩阵误差最小。更妙的是，这个最小误差恰好等于所有被丢弃奇异值的平方和再开方。也就是说，误差完全由“被静音的声部音量”决定；如果被丢弃的奇异值都很小，近似矩阵几乎完美。

矩阵误差不等于推理精度损失，但它们是“正相关的”：矩阵误差越小，神经网络输出偏离越小，最终分类结果越稳定。实践表明，当能量占比达到 95% 以上时，大多数模型的 Top-1 精度几乎没有变化，有时甚至因为噪声被过滤掉而略有提升。耳朵虽然敏感，但主线旋律还在，观众就依然满意。

∥A−Ak∥F=∑i=k+1rσi2\displaystyle \| A - A_k \|_F = \sqrt{ \sum_{i=k+1}^{r} \sigma_i^2 }
这个公式说明：截断误差只取决于被丢弃的奇异值大小，是预测“精度会不会掉”的最直接依据。
  1. Frobenius 范数把两个矩阵每个位置上的误差平方后求和再开方，衡量整体偏离程度。
    ∥A−Ak∥F=∑i=1m∑j=1n(aij−aij(k))2\|A - A_k\|_F = \sqrt{ \sum_{i=1}^{m} \sum_{j=1}^{n} (a_{ij} - a^{(k)}_{ij})^2 }
  2. 被丢弃的奇异值奇异值从大到小排列，前 k 个保留，第 k+1 个到第 r 个被置零，它们构成了全部误差来源。
    σk+1,σk+2,…,σr\sigma_{k+1}, \sigma_{k+2}, \dots, \sigma_r
  3. 误差与音量的关系误差平方和等于被丢弃奇异值的平方和；如果尾部奇异值本身很小，误差就趋于零。
    ∑i=k+1rσi2\sum_{i=k+1}^{r} \sigma_i^2

硬件映射优化：把声部分配进光速录音棚

确定了要保留的声部数量后，接下来是把这三块矩阵“装进”录音棚的物理设备。光速录音棚的调音台由三块区域组成：左手边的 MZI 阵列负责“声部展开”，相当于 U 矩阵；中间一排可调光衰减器像音量旋钮，负责奇异值 Σ；右手边的 MZI 网络负责“还原声场”，完成 Vᵀ。输入光先被拆成 k 条平行声道，每条声道独立地被调制音量，最后重新混合输出。

截断带来的硬件收益是巨大的。原始矩阵需要约 \(m \times n\) 个干涉单元；截断后，U 网络需要约 \(m \times k\) 个 MZI，V 网络需要约 \(k \times n\) 个 MZI，中间只保留 k 个音量调制器。整体规模从 \(O(mn)\) 降到 \(O(k(m+n))\)。当 \(m=n=128\)、\(k=16\) 时，硬件资源直接缩到原来的四分之一。

映射只是第一步，真正的工程难点在于校准。硅光芯片制造时，每个 MZI 的相位会有微小偏差，就像调音台的旋钮刻度不准。好在这些偏差可以通过反向传播算法更新相位参数来修正，让实际硬件实现的矩阵逐步逼近目标矩阵。设备越少，需要校准的旋钮越少，校准成本也随之下降——又是低秩压缩带来的额外红利。

Nk=k(m+n),N=m×n\displaystyle N_k = k(m + n), \qquad N = m \times n
这个公式直观展示了低秩截断在光子硬件上的“瘦身效果”。
  1. 原始硬件规模 N一个 m×n 的矩阵乘法需要约 mn 个干涉单元，相当于一个千路调音台。
    N=m×nN = m \times n
  2. 截断后规模 N_k只保留 k 个声部后，左右两个变换网络所需干涉单元的数量级约为 k(m+n)。
    Nk=k(m+n)N_k = k(m+n)
  3. 资源缩减比例两者相除，得到硬件资源缩减比例；k 越小，节省越多。
    NkN=k(m+n)m×n=km+kn\frac{N_k}{N} = \frac{k(m+n)}{m \times n} = \frac{k}{m} + \frac{k}{n}

秩截断调优：不同声部不同待遇

音乐总监很快就发现，不同乐章的配器风格完全不同：慢板乐章靠弦乐主旋律撑起，快板乐章则依赖打击乐推动节奏。如果对整首曲子用同一个静音策略，要么浪费通道，要么破坏细节。神经网络也一样，不同层对不同秩的敏感程度天差地别。

浅层卷积负责提取边缘、纹理等基础特征，奇异值衰减较慢，低秩性差，需要保留较高秩；靠近输出的全连接层存储类别语义，冗余度很高，可以压得更狠。残差结构更是天生“耐压”：它有一条恒等捷径 \(x\) 直接跳过被压缩的子网络，即使 \(F_k(x)\) 被压得面目全非，信息仍能无损绕行，因此残差网络的每一层都能容忍更激进的低秩截断。

实际调优时，工程师会为每一层独立选择 k：先设定一个精度下限，再逐层尝试不同的能量占比，观察验证集精度的变化。常见策略是让浅层保留 95% 能量、中层保留 90%、最后的全连接层保留 80%，再通过一次完整评估微调。这样既压低了硬件规模，又保住了观众耳中的“主旋律”。

y=x+Fk(x)\displaystyle y = x + F_k(x)
残差块的输出由恒等映射与压缩后的子网络输出相加，这让截断误差无法直接穿透网络。
  1. 恒等捷径 x输入向量通过捷径直接到达输出，不做任何变换，给信息提供一条“安全通道”。
    y=x+⋯y = x + \cdots
  2. 低秩压缩子网络 F_k被 SVD 截断后的卷积或全连接层函数，误差再大也只影响这一路信号。
    Fk(x)=Activation(Wkx)F_k(x) = \text{Activation}(W_k x)
  3. 相加融合两条路径的结果相加，由于有恒等路径兜底，整体输出的误差对上界更宽容。
    y=x+Fk(x)y = x + F_k(x)

验证部署评估：从彩排到正式演出

任何新方案都要经过两道检验才能登上舞台。第一关是“数字排练”：把 SVD 压缩后的权重放回软件仿真环境里，完整跑一遍验证集，观察精度变化。这一步成本低、迭代快，能快速筛掉不合理的截断方案。第二关是“带妆彩排”：把相位配置烧录进真实光子芯片，实测每个 MZI 的输出，与软件仿真逐项对照，用校准算法修正制造误差。

芯片实测经常会暴露出仿真中看不到的问题：热漂移导致相位缓慢偏移、相邻 MZI 之间的串扰、光电探测器的非线性响应。工程师把这些偏差建模为一个优化问题：给定目标权重矩阵，寻找一组光学相位参数，使芯片实际实现出来的矩阵与目标矩阵在 Frobenius 范数下误差最小。求解完这组相位后，再跑一轮端到端评测，确认部署版本确实可用。

正式部署后，收益清晰可见：矩阵运算发生在光域，延迟低至亚纳秒级；SVD 截断又让芯片面积和总功耗大幅下降；系统吞吐量常常提升数倍。音乐会散场后，观众可能并不知道幕后少了一半乐手，他们只记得旋律依旧动人——这就是 SVD 加速光子矩阵乘法的胜利。

min⁡θ  ∥W~(θ)−Wk∥F2\displaystyle \min_{\theta} \; \left\| \tilde{W}(\theta) - W_k \right\|_F^2
这个公式描述芯片校准的优化目标：通过调整相位 θ，让硬件实现的矩阵尽量贴合期望的低秩矩阵。
  1. 目标权重矩阵 W_k由截断 SVD 得到的理想低秩权重，是校准努力的方向。
    Wk=UkΣkVk⊤W_k = U_k \Sigma_k V_k^\top
  2. 硬件实现矩阵芯片上相位配置为 θ 时实际实现的矩阵，受工艺误差和热漂移影响。
    W~(θ)\tilde{W}(\theta)
  3. 优化目标不断调整相位 θ，使实际矩阵与目标矩阵的误差平方和最小化。
    min⁡θ∥W~(θ)−Wk∥F2\min_{\theta} \| \tilde{W}(\theta) - W_k \|_F^2

AI 应用场景

云端大模型推理加速

阶段：模型推理与部署

解决的问题：大模型的线性层权重动辄数十亿参数，GPU 推理受制于显存带宽和功耗墙。把矩阵乘法搬到光子芯片上需要映射 M×N 的完整权重矩阵，硬件规模不可承受；先用 SVD 把权重做低秩近似，再映射进光芯片，能把光路规模降到原来的几分之一甚至十分之一。

具体案例：某云厂商为 7B 规模语言模型设计光推理加速卡，将注意力层和全连接层权重按 90% 能量占比截断，映射到 256×256 的 MZI 阵列上。结果显示单 token 推理能耗下降 60%，吞吐量提升约 5 倍，精度损失不到 0.5%。

车载边缘光计算实时感知

阶段：实时感知与决策

解决的问题：自动驾驶需要毫秒级处理摄像头和激光雷达数据，而车载电子芯片的功耗与散热始终是瓶颈。SVD 截断能把卷积核压成低秩近似，使光计算芯片的面积和功耗降到车规级可接受范围。

具体案例：某 L4 自动驾驶团队把 ResNet-18 首层卷积核做 SVD 分解后，将压缩矩阵映射到指甲盖大小的光子协处理器上。单帧图像处理延迟从 30ms 降到 5ms，功耗降低 70%，成功满足紧急刹车的实时性要求。

科学计算中的大规模矩阵求解

阶段：数值模拟与高性能计算

解决的问题：气象模拟、流体力学和电磁场仿真需要反复求解大型线性方程组，每一步迭代都包含矩阵乘法。传统 CPU/GPU 集群能耗高、并行效率受限于内存带宽；对系统矩阵做 SVD 低秩压缩后，光子加速器可以把每次迭代的矩阵乘法压缩进很小的光路中。

具体案例：某研究所在气象模型中把 2048×2048 的雅可比矩阵截断到秩 256，光子引擎完成每步矩阵乘法，整体模拟时间缩短 80%，同时保持了足够的数值精度。

Python 演示

python33 行
import numpy as np # 模拟一个近似低秩的神经网络线性层权重rng = np.random.default_rng(42)m, n = 64, 32r_true = 8 # 用QR分解生成两个正交基，模拟"声部主旋律"互不干扰U0, _ = np.linalg.qr(rng.randn(m, r_true))V0, _ = np.linalg.qr(rng.randn(n, r_true))S_true = np.linspace(5.0, 0.6, r_true) # 低秩真值加噪声，模拟真实权重矩阵的冗余结构W = (U0 * S_true) @ V0.T + 0.05 * rng.randn(m, n) x = rng.randn(n)y_true = W @ x  def svd_rank_k(W, k):    """对权重矩阵做SVD，并返回秩k近似矩阵与奇异值序列。"""    U, S, Vt = np.linalg.svd(W, full_matrices=False)    Wk = (U[:, :k] * S[:k]) @ Vt[:k, :]    return Wk, S  print("k  | 矩阵相对误差 | 输出相对误差 | 能量保留比")for k in [2, 4, 8, 12, 16]:    Wk, S = svd_rank_k(W, k)    e_mat = np.linalg.norm(W - Wk, "fro") / np.linalg.norm(W, "fro")    e_out = np.linalg.norm(y_true - Wk @ x) / np.linalg.norm(y_true)    energy = np.sum(S[:k] ** 2) / np.sum(S ** 2)    print(f"{k:2d} | {e_mat:.4f} | {e_out:.4f} | {energy:.4f}")
目的：用 numpy 模拟一个低秩结构的神经网络权重，对比不同截断秩 k 下的矩阵误差、推理输出误差和能量保留比，直观感受 SVD 压缩的精度-成本权衡。
  1. U0, _ = np.linalg.qr(rng.randn(m, r_true))用 QR 分解构造正交基底，模拟“声部主旋律”互不干扰。
  2. W = (U0 * S_true) @ V0.T + 0.05 * rng.randn(m, n)由低秩真值叠加小噪声，模拟真实权重中的冗余结构。
  3. U, S, Vt = np.linalg.svd(W, full_matrices=False)对权重做奇异值分解，得到声部基底、音量旋钮和时间线。
  4. Wk = (U[:, :k] * S[:k]) @ Vt[:k, :]只保留前 k 个音量旋钮后重新混音，得到近似权重。
  5. e_mat = np.linalg.norm(W - Wk, "fro") / np.linalg.norm(W, "fro")用 Frobenius 范数计算矩阵相对误差。
  6. np.sum(S[:k] ** 2) / np.sum(S ** 2)计算能量保留比，判断被静音的声部是否真的“听不见”。

常见误区

误区听起来“丢掉矩阵信息”很可怕，很多人以为 SVD 截断会把模型精度拉低好几个点，所以宁可让芯片做大也不愿压缩。

正解真实世界的权重矩阵往往有很强的低秩性，大量的奇异值非常小，就像乐团后排的小打击乐声部。只要能量保留比达到 90%~99%，听众几乎分辨不出差别；许多神经网络在适度低秩近似下精度损失小于 0.5%，甚至因为过滤掉噪声而略有提升。

为何常见：人们习惯用“信息有损”想象灾难性后果，忽略了自然数据中信息分布极不均匀这一事实。

误区初学者常认为既然 SVD 是无损分解，那么全部保留奇异值一定最优，为什么还要截断？

正解k 越大，光子芯片需要的 MZI 数量、功耗和校准成本都越高；而且尾部小奇异值往往对应噪声和过拟合细节，全部保留不仅浪费硬件，还可能让模型对训练集中的异常模式过度敏感。

为何常见：只从“精度”单一维度看问题，忽略了部署场景中成本与收益的综合权衡。

误区有人以为 SVD 截断就是在原矩阵里挑几行几列扔掉，像删文件一样简单粗暴。

正解截断 SVD 先通过 U 和 Vᵀ 把矩阵旋转到一个更合理的坐标系，再丢掉“音量最小”的成分。它是在整体结构层面做最优近似，而不是切割矩阵的局部区域，所以效果远好于随机删行删列。

为何常见：矩阵分解的抽象性让初学者容易把它想象成简单的裁剪操作。

误区为了省事，工程师可能把全网络统一设成“保留 90% 能量”，以为每层一视同仁最公平。

正解不同层的低秩性差异很大：浅层卷积提取基础特征，奇异值衰减慢，需要高秩；全连接层冗余度高，可以压得更狠；残差结构因为有恒等捷径，容错能力更强。一种经验做法是浅层保留 95%、中层 90%、末层 80%，再通过验证集微调。

为何常见：人们容易把网络看作同质化模块，忽视了不同深度特征的信息结构差异。

误区有人以为截断后的硬件结构是固定的，一旦做小了就无法恢复，所以不敢轻易截断。

正解可重构 MZI 阵列完全支持动态切换：通过调整相位配置，可以在同一块芯片上实现不同 k 值的低秩矩阵乘法，甚至可以在运行时把某个“声部通道”重新打开。截断只是把后 k 个通道的光强置零，而不是物理拆除设备。

为何常见：把“硬件映射”理解成了固定的电路布线，忽略了 MZI 阵列的可编程特性。

面试题

Q1. 奇异值分解将矩阵 A 拆成哪三个矩阵的乘积？

单选题 · easy

  • A.A = U + Σ + V
  • B.A = UΣVᵀ← 正确答案
  • C.A = U × V × Σ
  • D.A = UΣ − Vᵀ

答案：B。SVD 的标准形式是 A = UΣVᵀ，U 和 V 是正交矩阵，Σ 是对角奇异值矩阵。其他选项要么把矩阵相加，要么符号错误，都不符合分解定义。

Q2. 奇异值在对角矩阵 Σ 中通常如何排列？

单选题 · easy

  • A.从大到小排列← 正确答案
  • B.从小到大排列
  • C.随机排列
  • D.按符号正负排列

答案：A。奇异值默认按从大到小排序，这样截断时才能明确知道哪些成分最重要。如果按其他顺序排列，就无法直接执行“保留前 k 条主旋律”的操作。

Q3. 能量保留比 η 的定义是下列哪一项？

单选题 · mid

  • A.前 k 个奇异值平方和除以全部奇异值平方和← 正确答案
  • B.前 k 个奇异值之和除以全部奇异值之和
  • C.前 k 个奇异值之积除以全部奇异值之积
  • D.前 k 个奇异值的最大值除以最小值

答案：A。能量用奇异值平方和度量，因为奇异值对应矩阵在主方向上的“方差贡献”。平方和才能正确反映信息占比，直接求和或求积都无法表达这种贡献关系。

Q4. Eckart-Young 定理说明，在 Frobenius 范数下，矩阵 A 的最优秩 k 近似是什么？

单选题 · mid

  • A.随机丢弃若干行列后的矩阵
  • B.对 A 做截断 SVD 得到的 UₖΣₖVₖᵀ← 正确答案
  • C.对 A 做 LU 分解后的下三角矩阵
  • D.对 A 取均值后得到的常数矩阵

答案：B。定理指出，在所有秩不超过 k 的矩阵中，截断 SVD 重构出的矩阵误差最小。随机裁剪或 LU 分解都不是最优近似，常数矩阵更是完全偏离了矩阵结构。

Q5. 光子矩阵乘法中，MZI 干涉仪网络的主要作用是什么？

单选题 · mid

  • A.通过分光与干涉实现矩阵乘法← 正确答案
  • B.存储权重矩阵的全部元素
  • C.把光信号转换成电信号输出
  • D.对矩阵结果做非线性激活

答案：A。MZI 网络把权重编码成相位配置，输入光经过分光、干涉、合束后，输出光强就是线性变换结果。权重并非存储在网络里，光电转换由探测器完成，非线性激活由其他模块负责。

Q6. 以下哪些是 SVD 低秩压缩给光子硬件带来的工程收益？

多选题 · mid

  • A.减少 MZI 阵列数量← 正确答案
  • B.降低芯片功耗← 正确答案
  • C.提高矩阵运算吞吐
  • D.必然提升推理精度

答案：AB。截断后 MZI 数量从 O(mn) 降到 O(k(m+n))，芯片面积和功耗随之下降，同样的光路可以承担更高吞吐。但推理精度不一定提升，过度压缩反而会掉点，所以 D 不正确。

Q7. 对某个神经网络做 SVD 压缩时，发现浅层截断后精度骤降，最可能的原因是什么？

单选题 · hard

  • A.浅层特征高度冗余，截断影响很小
  • B.浅层特征低秩性较差，细节信息易丢失← 正确答案
  • C.浅层权重不重要，截断无关紧要
  • D.浅层矩阵尺寸太小，根本无法分解

答案：B。浅层负责提取边缘和纹理等基础特征，奇异值衰减慢，必须保留较高秩。如果强行低秩截断，大量细节被静音，后续层都拿不到有效输入。A 和 C 与实验现象相反，D 与矩阵可分解性无关。

Q8. 关于不同层秩截断调优，下列说法正确的有哪些？

多选题 · hard

  • A.全连接层通常比卷积层更耐压缩← 正确答案
  • B.第一层卷积往往需要较高秩← 正确答案
  • C.残差结构对截断更鲁棒
  • D.所有层都应统一压缩比例

答案：AB。全连接层冗余度高，可以压得更狠；第一层卷积捕捉基础特征，需要高秩；残差结构的恒等捷径让误差无法直接穿透，因此更宽容。统一压缩比例忽略了层间差异，不是最优策略。

Q9. m=n=128、k=16 时，光子矩阵乘法的硬件资源约为原来的多少？

单选题 · easy

  • A.约为原来的 1/4← 正确答案
  • B.约为原来的 1/2
  • C.保持不变
  • D.扩大到原来的 8 倍

答案：A。原始规模约为 mn=16384，截断后约为 k(m+n)=16×256=4096，两者相除正好是 1/4。这说明 SVD 截断能大幅压缩光硬件规模。

Q10. 光子芯片实际部署前，完整的验证流程通常包含哪些环节？

多选题 · mid

  • A.用软件仿真验证压缩后精度← 正确答案
  • B.在真实芯片上跑推理对照← 正确答案
  • C.校准制造引起的相位偏差
  • D.跳过验证直接上线部署

答案：AB。软件仿真负责快速筛选压缩方案，芯片实测负责核对真实性能，相位校准用来修正工艺误差。跳过验证直接部署会在热漂移和串扰面前毫无准备，属于工程禁忌。