1. 光学神经网络概述：从计算光学到硅光芯片

光学神经网络（ONN）这个概念，听起来挺唬人的。说白了，就是用光来做神经网络的计算。传统电子芯片靠的是电子的移动，而光芯片呢，靠的是光子的传播。

我刚开始接触这个方向时，也觉得“光计算”像是科幻片里的东西。但后来深入做过几个项目，才明白它背后的物理原理其实很朴素。今天这一章，我们就从计算光学的基本概念讲起，一直聊到硅光芯片如何落地。

1.1 为什么要从头看光学计算？

先问你一个问题：为什么我们要折腾光？电子计算明明已经很成熟了啊。

原因就三个字——功耗墙。你看看现在的大模型训练，一个集群功耗几千瓦甚至上万千瓦，散热成本已经快超过芯片本身了。我去年参与过一个数据中心能效评估项目，发现服务器里超过60%的功耗都浪费在数据的搬移上，而不是真正的计算。

光有一个天然优势：无需功耗就可以传播。光在波导里传输，几乎不消耗能量。而且光的并行性极好——不同波长的光可以同时传输不同数据，这叫波分复用。你想想看，电子要挤在一根导线上串行传输，光却能天然并行，这种优势在矩阵乘法场景下特别明显。

对比维度	电子计算	光学计算
信息载体	电子（费米子）	光子（玻色子）
传输速度	受限于RC延迟	光速，无RC
并行能力	串行为主	天然并行（波长/空间复用）
能耗来源	电荷移动、焦耳热	仅调制/探测端有功耗
适用场景	通用逻辑、控制	线性代数、卷积、FFT

1.2 计算光学的三大流派

光学神经网络不是一夜冒出来的。几十年来，学术界发展出几个不同的技术路线。我个人把它们归纳成三大流派：

• 自由空间光学：用透镜、分束器在空间里做光路，适合二维图像处理。缺点是对准太难，抗振动差。
• 集成光学（硅光）：在硅基芯片上刻蚀波导、调制器、探测器。这是目前最主流的路线。
• 光学衍射神经网络：利用衍射光栅和相位调制，完全无源计算，但灵活性有限。

这里面，我重点押注的是硅光方案。原因很简单——它可以跟CMOS工艺兼容。我曾在一次流片项目中用过纯自由空间光路，实验室里跑得好好的，一搬到工程环境中就各种漂移。后来换成了硅光芯片，稳定性直接起飞。

1.3 硅光芯片的核心器件

硅光芯片上做神经网络，需要哪些基本器件？我列一个清单，每个都是基础元件：

1. 波导：光的“导线”，硅或氮化硅材质。低损耗是关键。
2. 分光器：把一束光分成多路，常用多模干涉器（MMI）。
3. 调制器：通过电光效应改变光的相位或幅度。MZI干涉仪是主流结构。
4. 探测器：把光信号转回电信号，通常是锗硅探测器。
5. 滤波/解复用器：分离不同波长的光。

你可能会问：这些东西跟神经网络怎么联系起来？别急。神经网络的本质操作是乘加运算。在光学里，乘法可以用调制器控制光强来实现，加法则用合束器实现光的相干叠加。这就是光学神经网络的物理基础。

1.4 知识体系一览

为了方便你建立整体认知，我画了一张图。这张图把本章涉及的核心概念串了起来——从计算光学的动机，到技术流派，再到硅光芯片的器件和网络架构。

1.5 从器件到网络：硅光计算芯片的架构

有了上面的器件，怎么把它们连成一个可工作的神经网络？目前最成熟的架构是MZI三角形网络。每个MZI（马赫-曾德尔干涉仪）可以看作一个可调的2×2光学单元，通过级联多个MZI，可以实现任意酉矩阵变换。

我来举个例子。假设我们要做一个4×4的矩阵乘法。传统电子方法需要4×4=16次乘法和12次加法。而光学神经网络只需要让光通过一个6级MZI级联的网络——光在其中的传播速度是纳秒级的，而且总功耗只来自调MZI相位的电信号。

// 伪代码：传统电子矩阵乘 vs 光学MZI网络
// 电子方案
for i in 0..3:
    for j in 0..3:
        C[i][j] = A[i][0]*B[0][j] + ... + A[i][3]*B[3][j]

// 光学方案：只需要设置MZI的相位参数theta, phi
MZI[0].set_phase(theta0, phi0)
MZI[1].set_phase(theta1, phi1)
...
// 光一次通过即完成矩阵运算

1.6 本章小结

这一章我们搭好了认知的框架。你理解了：

• 为什么要做光学神经网络——功耗和并行性。
• 三大流派中，硅光路线最有工业前景。
• 硅光芯片上的核心器件：波导、调制器、探测器、分光合束结构。
• 整个知识体系通过前面的SVG图一目了然。