课程导论：光学卷积加速与硅光计算芯片

你好，欢迎来到这门课。

我先说说为什么会有这门课。过去十年，我在硅光芯片领域摸爬滚打，从最早做器件仿真，到后来搞系统集成，再到写驱动代码，踩过的坑不算少。2018年那会，我参与过一个数据中心的光互联项目，发现一个尴尬的事实：电芯片的算力增长已经明显跟不上数据量的爆发了。卷积神经网络越做越深，矩阵乘法越算越重，传统电子芯片的功耗墙和摩尔定律放缓，逼着大家开始找新的路。

光学卷积加速，就是在这时候被推到前台的。

为什么偏偏是光学？

你想想看，卷积运算的本质是什么？说白了就是乘加操作。图像处理里的每个卷积核，都要和输入特征图做大量乘法、累加。电子芯片做这个，得把数据搬来搬去，每搬一次就要耗电、发热。光不一样，光在波导里传播几乎不发热，而且多个波长可以同时传输——这天然就是做并行乘加运算的好材料。

我做过一个简单的对比实验：同样做一次 3×3 卷积，电子方案要 9 次乘法和 8 次加法，光计算方案用马赫-曾德尔干涉仪（MZI）阵列，一次光传播就完成全部运算。功耗相差一个数量级。

硅光计算芯片的发展脉络

光计算这个概念其实不新。上世纪 80 年代就有人做过光学傅里叶变换，但那会器件工艺太差，只能停留在实验室。真正让硅光子学起飞，是 2000 年以后的事情，CMOS 工艺线开始接纳光电器件集成。

我给大家梳理几个关键节点：

时间	里程碑	我的评价
2010 年前后	硅基调制器、探测器基本成熟	能做器件了，但系统集成度低
2015-2018	MZI 阵列与微环谐振器用于矩阵运算	学术界验证了光计算的可行性
2020 年	第一代商用硅光计算原型芯片出现	功耗优势明显，但精度和驱动复杂度成新瓶颈
2023-2024	异构集成、AI 驱动调校、封装技术进步	产业界开始真正部署

嗯，这里要注意一个误区。很多人觉得光计算芯片就是「纯光」的，其实不是。光计算芯片内部仍然是混合架构：光负责大规模并行乘加，电负责控制、调谐、数据预处理和结果读出。写驱动的时候，两头都要管。

机遇在哪？

我个人最看好的三类场景：

• 边缘推理：低功耗场景，比如无人机、可穿戴设备。光计算芯片可以在几毫瓦内完成一次图像分类。
• 数据中心加速：高吞吐、连续运算场景。光波分复用（WDM）能同时处理几十路卷积，延迟极低。
• 雷达与通信信号处理：实时性要求极高的场景，光计算的模拟特性天然匹配。

但机遇背后也有挑战。我在 2021 年调一款原型芯片时，因为温度漂移导致 MZI 工作点偏移，整个卷积结果都是错的。后来花了两个月才把闭环校准算法做稳定。这段经历让我意识到——光计算芯片的驱动开发，远比想象中复杂。

全栈知识体系概览

这门课怎么组织？我把内容拆成了四个层次，下面这张图可以让你快速建立全局印象：

这门课的目标很简单：让你既能读懂光计算芯片的物理原理，又能把手上的驱动代码跑起来。我个人认为，光学卷积加速的落地瓶颈，60% 在系统架构设计，40% 在驱动与校准。算法模型呢？反而不是最难的，因为很多现成的卷积网络可以直接迁移。

从下一节开始，我们会深入具体的器件和原理。但我建议你先把这张图存下来，学完每一章后回来对照一下——它会帮你把零散的知识点串起来。