想象你经营着一片万亩农场。过去的计算机像一条传送带，一袋一袋地往田里搬肥料——串行、费时、耗电。而光子计算像一套四通八达的水渠：一开闸，水同时流向所有田块，每块田收到多少水，由沿途的闸门按比例分配，两路水在同一个田口汇合时自然相加。水到田，乘法就做完了。这就是光子矩阵乘法的直觉——把 AI 里最重的矩阵运算，从「排队搬运」变成「万渠齐流」。 在这套「水渠」里，水库是激光器，渠道是波导，闸门是马赫-曾德尔干涉仪（MZI），田埂上的水位计是光电探测器。整片农田的网络，我们叫它光子张量核心。本文从原理、结构、机制、算法到性能与优化，一层层拆开这套系统，看看光是如何在纳秒级的时间里完成矩阵乘法的。

岗位关联

理解光子张量核心，是踏入光子 AI 计算、量子-经典混合计算的必修课。它帮你建立「计算不只有电子」的直觉，在芯片架构、AI 推理加速、低功耗边缘设备等方向打开一条全新的职业视野。

目录
  1. 可视化演示
  2. 光子计算原理：光速水渠
  3. 张量核心结构：闸门网络
  4. 矩阵乘法机制：分水与合流
  5. 关键算法流程：从配方到旋钮
  6. 性能特性优势：灌溉效率账本
  7. 优化策略方法：给水渠校准
  8. 现实挑战与应对：风雨中的水渠
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示光子张量核心矩阵乘法原理、波分复用并行计算及光子与电子张量核心性能对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

光子矩阵乘法原理 光强编码输入，MZI执行酉变换 输出光强=乘法结果 y=U·x 光干涉完成乘累加

光子计算原理：光速水渠

万亩农场里，传送带一袋一袋运肥料，田块越多，排队越久。可水渠一开闸，水同时涌向每一块田——光就是这种「同时到达」的存在。光子以光速在介质中穿行，从芯片一端到另一端只需几纳秒；更妙的是，不同光路互不干扰，可以并行工作。这就是光子计算成立的第一块基石：光的并行性与速度。

把镜头拉回 AI。无论是全连接层、卷积还是注意力机制，底层都只有一个动作：矩阵乘法。传统处理器要一步步循环乘加，而光子芯片让「乘法」发生在光传播的物理过程里——光走过一段波导，等价于完成了一次变换。我们需要的形式化表达是：

传送带换成水渠，排队变成齐流——这正是光子计算对 AI 最大的诱惑：矩阵乘法的规模再大，光穿一次芯片就能完成。理解了这个「why」，我们就能回答很多人追问的问题：为什么偏偏是光子？因为光天然就是「并行流动」本身。

y=Wx\displaystyle \mathbf{y} = \mathbf{W} \mathbf{x}
这个公式是神经网络的基本动作：输入向量 $\mathbf{x}$ 经过权重矩阵 $\mathbf{W}$ 的线性变换，得到输出 $\mathbf{y}$。光芯片的目标，就是让等式右边「自动发生」。
  1. $\mathbf{y}$输出向量：由 m 个光电探测器的读数组成，是矩阵乘法的「答案」，好比每块田最终测到的水位。
    y∈Rm\displaystyle \mathbf{y} \in \mathbb{R}^{m}
  2. $\mathbf{W}$权重矩阵：由光网络里所有闸门的开度共同决定，每个元素 $w_{ij}$ 是从第 $j$ 个输入到第 $i$ 个输出的配水比例。
    W∈Rm×n\displaystyle \mathbf{W} \in \mathbb{R}^{m \times n}
  3. $\mathbf{x}$输入向量：由激光器阵列调制出的光信号，光的强度与相位编码了数值，相当于水库开闸时的初始水量。
    x∈Rn\displaystyle \mathbf{x} \in \mathbb{R}^{n}

张量核心结构：闸门网络

水渠系统要有水库、渠道、闸门和水位计。光子张量核心也由四类器件组成：片上激光器阵列是水库，提供多路相干光；波导是输水渠道，约束光的路径；马赫-曾德尔干涉仪（MZI）是核心闸门，可编程地控制分光比例；光电探测器是水位计，把光强变成电信号。

MZI 这个「闸门」很特别：一路光进来，先被分成两路，两路走不同长度的路径后再次合流。由于光有相位，合流时可能增强也可能抵消——调节一个热光移相器，就能改变分配比例。这种结构让 MZI 成为可编程矩阵单元。它的传输特性由一个 2×2 矩阵描述：

闸门角度一变，灌溉方向就变；MZI 旋钮一拧，光的流向就改。成千上万个这样的闸门按三角形网格排列，就组成了整片「水渠矩阵」——多个 MZI 级联可以表示任意维度的线性变换，这正是张量核心的物理底座。

U(θ,φ)=[eiφcos⁡θ−sin⁡θeiφsin⁡θcos⁡θ]\displaystyle U(\theta,\varphi)= \begin{bmatrix} e^{i\varphi}\cos\theta & -\sin\theta \\[2pt] e^{i\varphi}\sin\theta & \cos\theta \end{bmatrix}
这个矩阵告诉你：一束光经过 MZI 闸门后，两路输出分别拿到多少光、以及相位发生了怎样的偏转。
  1. $\theta$分束角：控制光功率在两条输出路径间的分配比例，$\theta=\pi/4$ 时两路各拿一半。
    cos⁡θ, sin⁡θ\displaystyle \cos\theta,\ \sin\theta
  2. $\varphi$相位延迟：让其中一路光「慢半拍」，相当于给光场乘上一个相位因子 $e^{i\varphi}$。
    eiφ=cos⁡φ+isin⁡φ\displaystyle e^{i\varphi}=\cos\varphi + i\sin\varphi
  3. $U(\theta,\varphi)$整体传输矩阵：把分束与相位两步合写成矩阵，矩阵的列对应输入端口，行对应输出端口。
    [eiφcos⁡θ−sin⁡θeiφsin⁡θcos⁡θ]\displaystyle \begin{bmatrix} e^{i\varphi}\cos\theta & -\sin\theta \\[2pt] e^{i\varphi}\sin\theta & \cos\theta \end{bmatrix}

矩阵乘法机制：分水与合流

水渠怎么自动算乘法？看一块具体的田：东渠按七成开闸放水，西渠按三成开闸放水，两路水在同一田口汇合——「按比例放水」是乘法，「汇合相加」是加法。矩阵乘法的每一项，本质上都是这样一组「分水 + 合流」。光网络把这种物理过程大规模复刻：

一个易被忽视的细节：光的强度只能为正，那负数权重怎么办？答案是看「波」而非「流」——两列反相的水波相遇会互相抵消，光场同理。把负数编码为反相光（相位差 $\pi$），合流时自然相消，从而实现了负权重。于是，矩阵乘法里的乘、加、负号，全部在光传播的几纳秒内「物化」完成。

yi=∑j=1nwij xj\displaystyle y_i=\sum_{j=1}^{n} w_{ij}\,x_j
第 $i$ 个输出端口的光强，等于所有输入光强 $x_j$ 分别乘上权重 $w_{ij}$ 后再相加总和。
  1. $x_j$第 $j$ 个输入光场：每个激光器的输出，带有振幅与相位两个自由度。
    xj=Ajeiϕj\displaystyle x_j = A_j e^{i\phi_j}
  2. $w_{ij}$从输入 $j$ 到输出 $i$ 的分支权重：由这条路径上经过的 MZI 分束角与相位延迟共同决定。
    wij=eiφijcos⁡θij\displaystyle w_{ij} = e^{i\varphi_{ij}}\cos\theta_{ij}
  3. $\sum_{j=1}^{n}$多路合流累加：不同路径的光在输出端口相遇并相干叠加，加法在物理层自动完成。
    yi=∑j=1nwijxj\displaystyle y_i = \sum_{j=1}^{n} w_{ij}x_j

关键算法流程：从配方到旋钮

农场主手里只有一张施肥配方（目标矩阵 $\mathbf{W}$），可水渠阀门只认角度，怎么把配方翻译成闸门开度？答案是矩阵分解。奇异值分解（SVD）能把任意矩阵拆成三个标准因子的乘积，恰好匹配光网络的三层结构：

整个流程像做菜：软件端的 SVD 把「配方」翻译成「火候与调料」——MZI 的旋钮角度；光芯片按角度调好所有闸门；输入光一过，输出端读出的光强分布就是 $\mathbf{y}=\mathbf{W}\mathbf{x}$ 的结果。软件只算一次角度，光执行无数次——这就是光子张量核心高效的关键。

W=U Σ VH\displaystyle \mathbf{W}= \mathbf{U}\,\boldsymbol{\Sigma}\,\mathbf{V}^{H}
SVD 是光子张量核心的「编译前端」：把任意矩阵翻译成一组闸门角度，光网络按角度旋好旋钮后，即可对任意输入向量执行矩阵乘法。
  1. $\mathbf{U}$左奇异向量矩阵：输出侧的酉变换，对应光网络的输出层 MZI 网格（负责把中间结果旋转到正确方向）。
    UUH=I\displaystyle \mathbf{U}\mathbf{U}^{H}=\mathbf{I}
  2. $\boldsymbol{\Sigma}$奇异值对角阵：对角线上是奇异值 $\sigma_k$，表示各通道的「增益」，可用可变衰减器或多模干涉结构实现。
    Σ=diag(σ1,σ2,…,σn)\displaystyle \boldsymbol{\Sigma}=\mathrm{diag}(\sigma_1,\sigma_2,\dots,\sigma_n)
  3. $\mathbf{V}^{H}$右奇异向量矩阵的共轭转置：输入侧的酉变换，相当于进闸前的「预旋转」，保证任意矩阵都能被酉网络表示。
    VHV=I\displaystyle \mathbf{V}^{H}\mathbf{V}=\mathbf{I}

性能特性优势：灌溉效率账本

算一笔账：传统人工搬运 1000 块田，要用传送带送 1000 趟；水渠灌溉 1000 块田，开一次闸门即可。光子张量核心的性能优势，正来自这种「一次物理操作，并行完成海量计算」的结构特性。在电子芯片上，$n$ 维矩阵乘向量需要 $O(n^2)$ 次乘加；在光芯片上，$n^2$ 条物理路径同时工作，等效时间复杂度降到 $O(1)$，且与矩阵规模基本无关。

工程上我们用一个简洁公式衡量这种优势：

水渠开闸后水到田的时延与田块数无关——光芯片算矩阵的时延与矩阵大小也无关。更诱人的是能效：光在波导中传播不消耗能量，只有在调相和读出时才耗电，让单位算力的能耗比电子芯片低 2-3 个数量级。这正是「光子张量核心」被看作后摩尔时代算力接力棒的原因。

吞吐=n×bt×P\displaystyle \text{吞吐} = \frac{n \times b}{t \times P}
每瓦每秒能完成的等效操作数，由矩阵规模、数值位深、时延和功耗共同决定。
  1. $n$矩阵规模：一次矩阵乘法的维度，规模越大，光并行优势越明显。
    n×n\displaystyle n \times n
  2. $b$数值位深：每个数用多少比特表示，通常光模拟计算为 6-8 bit。
    b∈{6,8,12}\displaystyle b \in \{6,8,12\}
  3. $t$端到端时延：从光进入芯片到探测器读出的时间，通常是纳秒级，与矩阵大小无关。
    t≈L波导c/neff\displaystyle t \approx \frac{L_{\text{波导}}}{c/n_{\text{eff}}}
  4. $P$功耗：包含激光器、热光调相与读出电路的总功耗。分母越小，吞吐越高。
    P=P激光+P调相+P读出\displaystyle P = P_{\text{激光}} + P_{\text{调相}} + P_{\text{读出}}

优化策略方法：给水渠校准

水渠用久了，闸门刻度会偏移：砂石卡住、锈蚀、弹簧老化，配的水就不准了。光子芯片同样面临「物理折旧」——制造工艺使 MZI 的实际分束角偏离设计值，温度和应力让相位不断漂移。于是工程上发展出两套修正策略：校准与片上训练。

校准的思路是：先实测芯片真实的传输矩阵，把误差记录成查找表，之后在软件中反向补偿。片上训练更进一步：把整块光芯片当成一个可微分的「光学神经网络」，直接用梯度下降调整每个 MZI 旋钮，让实际输出逼近目标。两者的目标都是最小化误差：

校准与训练的本质，是把物理世界的「不完美」当作模型参数去优化，让水渠在现实中逼近理想配方。成熟的产线还会加入热管理（保持芯片恒温，减少相位漂移）以及多芯片并行扩展——就像把多个农场的水渠并网，总灌溉面积成倍增长。

min⁡θ,φ ∥ W实际(θ,φ)−W目标 ∥F\displaystyle \min_{\theta,\varphi}\ \left\|\,W_{\text{实际}}(\theta,\varphi)-W_{\text{目标}}\,\right\|_F
通过调节所有 MZI 的分束角 $\theta$ 和相位 $\varphi$，让芯片实际表现的矩阵尽可能接近设计目标矩阵。
  1. min最小化：以可调参数为变量，不断搜索让误差最小的组合，类似反复调节水闸直到每块田水位正好。
    min⁡θ,φ\displaystyle \min_{\theta,\varphi}
  2. $W_{\text{实际}}(\theta,\varphi)$实际传输矩阵：由芯片上所有 MZI 的当前角度决定，是真正被光「执行」的矩阵。
    W实际=F({θk,φk})\displaystyle W_{\text{实际}}=F(\{\theta_k,\varphi_k\})
  3. $W_{\text{目标}}$目标矩阵：设计者期望实现的权重矩阵，来自训练好的神经网络权重。
    W目标∈Rm×n\displaystyle W_{\text{目标}}\in\mathbb{R}^{m\times n}
  4. $\|\cdot\|_F$Frobenius 范数：把矩阵所有元素的误差平方求和再开方，一个数字代表「整体偏差有多大」。
    ∥A∥F=∑i∑j∣aij∣2\displaystyle \|A\|_F=\sqrt{\sum_{i}\sum_{j}|a_{ij}|^2}

现实挑战与应对：风雨中的水渠

水渠修得越长，渗漏越严重；闸门装得越多，越容易被泥沙卡住；两个农场接壤，还要协调渠道对接。光子张量核心从实验室走向大规模商用，同样要直面三大现实挑战。

第一，插损随规模指数积累。光每经过一个 MZI 都有损耗，级联几百层后信号可能衰减到无法探测。数学上，光功率沿波导指数下降：

第二，噪声扰动：光源强度抖动、探测器散粒噪声、热漂移都会叠加到输出上，限制了可用的精度位数。第三，封装耦合：把光纤对准芯片上微米级的波导端面，像在风雨中把两片头发丝对接，对准误差直接转化为额外损耗。

应对之道也清晰：采用低损耗材料（氮化硅、薄膜铌酸锂）、设计误差容错架构、发展先进耦合封装。渗漏与泥沙是物理世界的常量，但工程智慧能让水渠在风雨中依然精准灌溉——这正是光子张量核心迈向实用化的必经之路。

Pout=Pin×10−αL/10\displaystyle P_{\text{out}} = P_{\text{in}} \times 10^{-\alpha L / 10}
输出光功率等于输入光功率乘以一个由损耗系数和波导长度决定的衰减因子。
  1. $P_{\text{in}}$ / $P_{\text{out}}$输入 / 输出光功率：分别对应水渠入口与出口的水流量。
    Pout≪Pin\displaystyle P_{\text{out}} \ll P_{\text{in}}
  2. $\alpha$单位长度损耗系数：以 dB/cm 为单位衡量波导材料的透明度，优质氮化硅波导可低至 0.1 dB/cm。
    α≈0.1 dB/cm\displaystyle \alpha \approx 0.1\text{ dB/cm}
  3. $L$波导总传播长度：芯片规模越大，总路径越长，损耗越严重。
    L=∑各级Lk\displaystyle L = \sum_{\text{各级}} L_k
  4. $10^{-(\cdot)/10}$dB 换算因子：把对数刻度的衰减换算成功率比值，指数中的负号表示光强随长度指数减小。
    Pout/Pin=10−αL/10\displaystyle P_{\text{out}} / P_{\text{in}} = 10^{-\alpha L/10}

AI 应用场景

数据中心 AI 推理加速

阶段：模型推理

解决的问题：Transformer 推理中矩阵乘法占 90% 以上算力，GPU 串行计算时延高、功耗大。光子张量核心像「万亩水渠」一样并行执行注意力矩阵乘法，把时延从毫秒级压到纳秒级。

具体案例：某云厂商在 NLP 服务中试点光子张量核心，将自注意力层映射到 MZI 网状芯片，batch 推理吞吐提升约 5 倍，单 token 时延降至原来的 1/3，单卡功耗下降 60% 以上。

片上可编程光神经网络

阶段：模型训练与在线学习

解决的问题：传统芯片训完模型后权重固定，无法适应新数据。光子芯片的 MZI 闸门可现场重新编程，边训练边调闸门角度，相当于「边灌溉边根据收成调整水阀」。

具体案例：研究团队在 4×4 光子网格上实现手写数字识别，通过片上原位训练调整 12 个 MZI 参数，经过数百轮迭代后精度达到 92%，无需重新流片。

边缘端低功耗 AI

阶段：边缘推理

解决的问题：无人机、可穿戴设备的电池容量小，跑不动大模型；光子芯片体积小、无源传播几乎不耗电、光速响应快，适合对时延和功耗都敏感的实时任务。

具体案例：某自动驾驶团队将 3×3 光张量核心阵列用于车载目标检测的预处理矩阵运算，单次推断耗能仅为 GPU 方案的 1/20，响应时间缩短到 0.3 ms。

Python 演示

python51 行
import numpy as np np.random.seed(42)  def mzi_matrix(theta, phi):    """模拟单个马赫-曾德尔干涉仪的 2x2 传输矩阵"""    c = np.cos(theta)    s = np.sin(theta)    return np.array([[np.exp(1j * phi) * c, -s],                     [np.exp(1j * phi) * s, c]])  def degrade(unitary, noise):    """模拟制造误差: 给酉矩阵叠加随机相位扰动"""    if noise == 0.0:        return unitary    phase = np.exp(1j * noise * np.random.randn(2, 2))    return unitary * phase  def optical_multiply(W, x, noise=0.0, calibrate=False):    """在 2x2 光子张量核心上执行 y = W @ x"""    U, s, Vh = np.linalg.svd(W)    U_opt = degrade(U, noise)    Vh_opt = degrade(Vh, noise)    if calibrate:        U_opt = np.conj(U_opt)        Vh_opt = np.conj(Vh_opt)    y_ideal = U @ np.diag(s) @ Vh @ x    y_opt = U_opt @ np.diag(s) @ Vh_opt @ x    return y_ideal, y_opt  def relative_error(a, b):    return np.linalg.norm(a - b) / (np.linalg.norm(b) + 1e-12)  def main():    W = np.array([[0.8, 0.3], [0.5, 0.9]])    x = np.array([1.0, 0.5])    print("理想光输出:  ", optical_multiply(W, x, 0.0)[1])    for noise in (0.1, 0.3):        err_raw = relative_error(*optical_multiply(W, x, noise))        err_cal = relative_error(*optical_multiply(W, x, noise, calibrate=True))        print("噪声 %.2f: 未校准误差 %.4f, 校准后误差 %.4f"              % (noise, err_raw, err_cal))  if __name__ == "__main__":    main()
目的：用 numpy 模拟一个 2×2 光子张量核心，演示 SVD 分解驱动的光学矩阵乘法，以及制造误差对精度的影响和校准的效果。
  1. U, s, Vh = np.linalg.svd(W)把目标矩阵分解成两个酉矩阵和一个奇异值对角阵，对应光网络的三层结构。
  2. U_opt = degrade(U, noise)模拟真实芯片的制造误差：MZI 相位偏离设计值，矩阵不再是理想酉矩阵。
  3. y_opt = U_opt @ np.diag(s) @ Vh_opt @ x光在芯片中传播的矩阵链，从输入向量到输出向量一步完成。
  4. if calibrate:校准环节：利用实测相位表做共轭补偿，把偏差「拧」回理想位置。
  5. return np.linalg.norm(a - b) / (np.linalg.norm(b) + 1e-12)相对误差度量，分母加小量防止除零。
  6. err_cal = relative_error(*optical_multiply(W, x, noise, calibrate=True))对比校准前后误差，观察补偿效果。

常见误区

误区「光计算这么快，把 CPU 换成光子芯片，什么程序都能飞起来。」

正解光子张量核心只加速矩阵乘法这类规整的线性代数运算，条件分支、逻辑判断、数据存取仍然需要电子电路完成。它更像「灌溉专用水渠」，不是「万能传送带」。实际芯片都是光电混合架构：光负责大规模并行矩阵运算，电子负责控制与存储。

为何常见：新闻常渲染「光子计算比电子快百万倍」，让人误以为是通用加速，忽略了光计算擅长的是特定运算模式。

误区「光的强度永远是正的，权重矩阵里的负数怎么表示？光芯片肯定做不了带负权的矩阵乘法。」

正解光场不仅有强度（振幅），还有相位。两列反相的光波叠加时振幅相消，等效于负号参与加法。负权重通过相位差 π 编码，输出端口测得的光强是干涉后的结果，里面已经包含了正负数的加减。

为何常见：习惯用「亮度」理解光，忽略了光作为波的相位自由度——这是从电子思维转向光子思维的第一道坎。

误区「要算更大的矩阵，就多堆一些 MZI 闸门，规模越大能力越强。」

正解每个 MZI 都有插入损耗，级联数量越多，光功率衰减越严重，信号最终可能淹没在噪声里。插损随长度指数增长，规模扩展必须配套低损耗材料、放大中继和误差校准，否则是「水渠越长漏水越多」。

为何常见：沿用电子芯片「晶体管越多越好」的直觉，忽略了光子链路的无源损耗与电子电路的信号再生本质不同。

误区「软件把权重矩阵分解好、旋钮角度烧录进芯片，之后就不用管了。」

正解制造误差让 MZI 实际角度偏离设计值，温度漂移让相位持续变化。芯片需要定期校准，甚至用片上训练实时修正角度，才能保持矩阵精度。SVD 只是「翻译」，不解决「物理世界会变」的问题。

为何常见：把光芯片当成静态的「硬连线电路」，忽略了它其实是可编程模拟器件，参数会随环境漂移。

面试题

Q1. 光子张量核心最核心的加速来源是什么？

单选题 · easy

  • A.光速传播且矩阵运算天然并行← 正确答案
  • B.芯片体积大所以散热更加快
  • C.光完全不需要任何电能供给
  • D.光子可以无限地复制数据

答案：A。光子张量核心的加速来自两个物理事实：光以光速传播（时延极短），且多路光在波导中并行传播、互不干扰（天然并行）。如同水渠一开闸同时灌满所有田块，而传送带只能一份份搬。选项 B 说体积大散热快是反常识，C 忽略了激光器和调相需要耗电，D 中光子不能随意复制数据。

Q2. 光芯片中马赫-曾德尔干涉仪（MZI）相当于水渠系统的什么？

单选题 · easy

  • A.可调节流量的分水闸门← 正确答案
  • B.蓄水发电的水库大坝
  • C.测量水位的水位标尺
  • D.连接渠段的输水管道

答案：A。MZI 通过分束角 θ 和相位 φ 精确控制两路光的分光比例，作用就是「闸门」。水库对应激光器，水位标尺对应光电探测器，管道对应波导。B 把水库当闸门，C 把测量当控制，D 把被动传输当主动调节，都不匹配。

Q3. 光芯片如何表示权重矩阵中的负数？

单选题 · mid

  • A.用反相光波干涉相消实现← 正确答案
  • B.用更暗的光来表示负数
  • C.用蓝色光来表示负数
  • D.负数在光芯片中不可表示

答案：A。光场包含振幅与相位，负权重编码为相位差 π（反相）。当反相光与正相光在输出端口叠加时，振幅相消，等效完成了减去一个正数。B 中「更暗」只是幅度小，仍是正数；C 中颜色对应波长，不编码符号；D 忽略了干涉相消的物理机制。

Q4. SVD 分解在光子张量核心中的核心作用是什么？

单选题 · mid

  • A.把任意矩阵翻译成 MZI 旋钮角度← 正确答案
  • B.把光速提升到超光速级别
  • C.把输入向量进行放大十倍
  • D.替代光电探测器的读出工作

答案：A。SVD 把任意矩阵 W 分解为 UΣV^H，三层结构分别对应光网络的输出层、增益层和输入层，软件据此算出每个 MZI 的角度。它起的是「编译器」作用。B 违背物理定律，C 不是 SVD 的职责，D 与探测读出无关。

Q5. 光芯片吞吐量公式中，分母越大吞吐越低，分母包含什么？

单选题 · mid

  • A.时延与功耗的乘积← 正确答案
  • B.矩阵规模与位深
  • C.光速与波长大小
  • D.光子数与噪声值

答案：A。吞吐 = n×b / (t×P)，分母是端到端时延 t 与功耗 P 的乘积。时延越大或功耗越高，单位时间单位能耗完成的运算越少。n 和 b 在分子上，规模与位深增大反而提升吞吐；光速、波长、噪声不直接出现在公式的分母中。

Q6. 为什么光芯片计算精度通常难以超过 8 位？

单选题 · hard

  • A.数模转换精度与制造误差限制← 正确答案
  • B.光速太快导致计算结果溢出
  • C.光子数量无限且完全不可控
  • D.芯片温度永远无法保持稳定

答案：A。光模拟计算的精度受三层限制：输入 DAC 与输出 ADC 的量化位数、MZI 制造误差导致的角度偏差、探测器与光源的噪声。这些误差叠加使有效精度停留在 6-8 bit。B 中光速不会导致溢出，C 中光子数量并非不可控，D 过于绝对且热管理可缓解。

Q7. 片上原位训练主要解决什么问题？

单选题 · easy

  • A.MZI 角度偏离设计值的制造误差← 正确答案
  • B.训练数据集的标注质量问题
  • C.神经网络的层数选择问题
  • D.光子芯片的散热结构设计

答案：A。片上训练直接把芯片当可微参数模型，以输出误差为目标反向调整 MZI 角度，弥补制造误差与漂移。它与数据标注、网络结构搜索、散热设计无关，是「边灌溉边调闸门」的硬件级自适应方案。

Q8. 光子张量核心面临的工程挑战有哪些？

多选题 · mid

  • A.级联损耗随规模指数增长← 正确答案
  • B.相位噪声导致输出波动← 正确答案
  • C.矩阵乘法完全无法实现
  • D.光纤耦合与封装对准困难← 正确答案

答案：ABD。级联 MZI 的插损随波导长度指数增长，相位噪声（温度、光源抖动）会降低精度，光纤与波导的亚微米级对准也让封装成为难题。C 明显错误——矩阵乘法正是光芯片最擅长的事情。

Q9. 光芯片的校准与优化手段有哪些？

多选题 · mid

  • A.实测传输矩阵写入校准表← 正确答案
  • B.在片上调旋钮做梯度下降← 正确答案
  • C.用软件模拟替代硬件运行
  • D.增加 MZI 级联数量必提精度

答案：AB。校准是把实测误差记入查找表反向补偿，片上训练是用梯度下降直接调 MZI 角度，二者都是硬件在环的优化手段。C 是仿真不是校准；D 是常见误区，级联增加会放大损耗反而可能降低精度。

Q10. 关于光子张量核心的表述，正确的有哪些？

多选题 · hard

  • A.光场叠加在物理层自动完成累加← 正确答案
  • B.相位编码使负数权重成为可能← 正确答案
  • C.光芯片能加速任意通用程序
  • D.插损随波导长度按指数规律衰减← 正确答案

答案：ABD。多路光在输出端口相干叠加即完成加法；反相编码表示负数；插损公式 P_out = P_in × 10^(-αL/10) 说明输出功率随长度指数下降。C 错在光芯片只擅长矩阵类运算，通用程序仍离不开电子逻辑电路。