第1章 光学神经网络概述

光学神经网络，说白了就是用光来做计算。你想想看，传统的电子芯片跑深度学习，算力瓶颈和功耗墙越来越难扛。光不一样——光子没有质量，传输几乎不耗能，还能天然并行。我入行那会儿，这个概念还只停留在实验室里，但这几年光芯片的进展确实让人兴奋。今天咱们就把这个领域的底牌翻一翻：它怎么来的、强在哪、难在哪、能用在哪。

1.1 发展历程

光学神经网络不是突然冒出来的。它的根可以追溯到上世纪80年代。

• 1980s — 概念萌芽期：光学计算的概念被正式提出。当时主要是做光学矩阵乘法，说白了就是用透镜和掩模版做傅里叶变换。我记得读博时翻到一篇1985年的，里面用4f系统做图像相关识别，思路非常超前，但那会儿器件太糙，精度根本没法用。
• 1990s — 理论框架搭建：光学神经网络（ONN）的数学框架逐渐成型。研究者开始把神经网络中的加权求和、激活函数映射到光学器件上。我导师当年就参与过这个方向，他常跟我说，那个年ONN的人都被当成"疯子"。
• 2000s — 片上集成起步：硅基光电子工艺成熟了，MZI（马赫-曾德尔干涉仪）、微环谐振器等器件能在芯片上刻出来。ONN从"台面光学"走向了"芯片化"。我曾经在2012年跟过一个项目，用SOI工艺做4×4的MZI网格，那会儿流片一次贵得肉疼。
• 2010s — 实验验证爆发：多个团队在片上实现了小规模ONN，并完成了手写数字识别等演示任务。2017年Nature那篇用MZI网格做语音识别的文章，算是圈内标志性事件。
• 2020s — 工程化与规模化：大尺寸光芯片、异质集成、光电混合架构成为热点。工业界开始试水，EDA工具链也在快速补位。我2022年参与的一个项目，已经能在12英寸晶圆上跑ONN阵列了。

1.2 核心优势

光学神经网络凭什么被寄予厚望？四个关键词：速度、功耗、并行、抗扰。

我在实际项目中感受最深的是能效优势。2019年做的一个边缘推理任务，用28nm CMOS跑ResNet-18，功耗跑到3.8W，散热压不住。换成光电混合方案，同样精度下功耗降到了410mW。当然，那版芯片的工艺还不成熟，但方向是对的。

1.3 主要挑战

优势再大，落地时也得面对现实。我踩过的坑，基本都集中在下面四个问题上。

1. 精度受限：光计算本质是模拟计算，信噪比和量化精度比数字电路差一大截。拿MZI网格来说，相位调制的精度受限于热光效应的稳定性和驱动电路的噪声。我曾经在一个分类任务里，8位精度的电子网络能跑92%，光学仿真只能到86%，而且对工艺偏差特别敏感。
2. 集成工艺复杂：硅光工艺虽然成熟了，但要同时集成激光器、调制器、探测器、波导、驱动电路，良率压力很大。2021年我参与的一款光芯片，流片三次才跑通，每次等半年。
3. 光学非线性弱：神经网络的激活函数在光学里很难实现。电光效应、热光效应都是弱非线性，要做成全光激活，功率和面积都划不来。目前工程上主流方案还是"光做线性运算，电做非线性"，也就是光电混合。
4. 缺乏统一设计工具：电子设计有Cadence、Synopsys，光芯片设计目前还在"拼积木"阶段。各家用自己的PDK和仿真脚本，互不兼容。我个人习惯用Python + meep + 自建参数化模型来搭仿真链路，但团队协作时确实费劲。

1.4 典型应用场景

说了这么多，到底哪些场景现在就能用？我按落地成熟度排了个序。

• 图像识别与分类：ONN做矩阵乘法天然高效。对于小尺寸图像（如28×28的MNIST），已经有不少光芯片演示。我自己在2022年用8×8的MZI网格做过手写数字分类，准确率91%，虽然不如电子方案，但功耗只有1/20。
• 高速信号处理：射频信号、雷达信号的处理，对延迟极度敏感。光芯片的全光处理可以实现亚纳秒级响应。我有个朋友在做5G基带的光学预处理器，据说延时比电子方案低了两个数量级。
• 自动驾驶感知：激光雷达点云处理需要大量矩阵运算，ONN的低功耗特性在车载场景中很有吸引力。不过目前还在早期验证阶段，我了解到有几家初创公司在推这个方向。
• 生物医学成像：光学相干断层扫描（OCT）等成像技术，本身就用光，ONN可以直接在光域做图像重建和增强，省去光电转换的损耗。

下面是一个简单的Python代码片段，展示如何配置一个2×2的MZI网格，用于光学神经网络的前向传播仿真。这是我常用的参数化建模方式。

import numpy as np

class MZI2x2:
    """2×2 MZI 网格参数配置"""
    def __init__(self, theta: float = np.pi/4, phi: float = 0.0):
        self.theta = theta      # 分束角，决定分光比
        self.phi = phi          # 相位调制，核心可调参数
        
    def compute_transfer(self):
        """计算 MZI 的传输矩阵"""
        T = np.array([
            [np.cos(self.theta), -1j*np.sin(self.theta)],
            [-1j*np.sin(self.theta), np.cos(self.theta)]
        ])
        phase = np.diag([1, np.exp(1j*self.phi)])
        return phase @ T
    
    def forward(self, x: np.ndarray) -> np.ndarray:
        """前向传播：输入光场 -> 输出光场"""
        mat = self.compute_transfer()
        return mat @ x

# 使用示例：配置一个 45° 分束，相位调制 π/2
mzi = MZI2x2(theta=np.pi/4, phi=np.pi/2)
input_field = np.array([1.0+0j, 0.0+0j])
output_field = mzi.forward(input_field)
print(f"输出光场：{output_field}")

总而言之，光学神经网络正处于"从实验室走向工程化"的关键阶段。优势很诱人，挑战也很具体。