课程导入：光学矩阵乘法的定义、发展背景、在光计算与人工智能中的战略意义，以及本课程的学习路径与目标
矩阵乘法是线性代数中最基础、最核心的运算之一，也是现代人工智能算法——尤其是深度神经网络——的算力基石。从卷积神经网络的卷积操作，到Transformer架构中的自注意力机制，再到推荐系统中的嵌入向量交互，几乎所有主流AI模型的训练与推理过程都可以归结为大规模的矩阵乘法运算。然而，随着模型参数规模从百万级跃升至万亿级，传统电子计算机所依赖的冯·诺依曼架构正面临前所未有的算力瓶颈与功耗墙。在这一背景下，光学矩阵乘法（Optical Matrix Multiplication）作为一种利用光的物理特性——包括并行性、高速传播和低能耗——来执行矩阵运算的新型计算范式，正从实验室走向产业前沿，被视为后摩尔时代突破算力天花板的关键路径之一。
光学矩阵乘法的核心思想并不复杂：将矩阵运算映射到光学系统的物理过程中，利用光在介质中的传播、干涉、衍射或散射等自然现象，在光速级别完成数学运算。与电子计算机中逐时钟周期执行乘加操作不同，光学系统天然具备二维甚至三维的并行处理能力——一个透镜的傅里叶变换特性可以在瞬间完成整幅图像的频域变换，一个马赫-曾德尔干涉仪（MZI）网格可以在光通过器件的几十皮秒内完成一个N×N矩阵与向量的乘法。这种“物理即计算”的范式，从根本上绕开了电子器件的RC延迟、时钟频率上限和功耗密度限制，为AI算力提供了全新的扩展维度。
1.1 光学矩阵乘法的定义与数学本质
从数学角度看，矩阵乘法定义如下：给定矩阵 W ∈ ℝm×n 和向量 x ∈ ℝn，其乘积 y = Wx ∈ ℝm，其中每个输出元素 yi = Σj=1n Wij · xj。在光学实现中，这一运算被分解为两个物理过程：编码过程将输入向量 x 的每个分量映射为光信号的某一物理维度（振幅、相位、波长或偏振态）；运算过程则通过光学器件的传输特性实现矩阵 W 的权重分配与求和。例如，在相干光学系统中，输入光场经过一个由MZI网格构成的线性变换网络后，输出光场的复振幅即为 Wx 的结果；在非相干系统中，则通过空间光调制器与透镜的4F系统实现类似功能。
值得注意的是，光学矩阵乘法天然支持复数域运算，因为光的相位本身携带信息。这意味着它可以直接处理量子力学中的酉变换、通信中的复数基带信号以及某些科学计算中的复数矩阵问题，而电子计算机则需要额外的实数/虚数分离计算，增加了时间与能耗开销。
核心理解：光学矩阵乘法的本质是“用物理系统的传输函数替代数学运算步骤”。矩阵 W 被“写入”光学器件的物理参数（如MZI的相位角、微环的谐振波长、衍射元件的表面浮雕），输入向量 x 被“写入”输入光场的物理状态，输出 y 则是光场经过系统后的自然演化结果。这种“一次物理过程完成一次数学运算”的特性，使得运算时间与矩阵维度基本无关——这是电子计算无法企及的。
1.2 发展背景：从光学模拟计算到光子AI芯片
光学计算的历史可以追溯到20世纪60年代的光学信息处理时代。当时，研究人员利用透镜的傅里叶变换特性实现了图像的频域滤波、卷积和相关运算，形成了“光学模拟计算”的早期范式。然而，由于缺乏可编程性、精度不足以及电子数字计算的迅猛发展，光学计算在20世纪80年代后逐渐边缘化。
转折点出现在21世纪初。三个关键驱动力重新点燃了光学矩阵乘法的研究热潮：第一，深度学习的爆发式增长使得算力需求以每年10倍以上的速度递增，而摩尔定律的放缓使得电子芯片的性能提升逐渐逼近物理极限；第二，硅光子学（Silicon Photonics）技术的成熟使得大规模集成光学器件成为可能，CMOS兼容的制造工艺让光子芯片可以低成本量产；第三，新型光学器件——如高速MZI开关阵列、微环谐振器、相变材料光开关——的响应速度和可靠性大幅提升，为可编程光学矩阵引擎提供了硬件基础。
2017年，麻省理工学院（MIT）的沈亦晨团队在《Nature Photonics》上发表了基于MZI网格的可编程光学神经网络芯片，首次在实验上展示了光学矩阵乘法用于手写数字识别的可行性。此后，Lightmatter、Lightelligence、Luminous Computing等初创公司相继成立，国内也有清华大学、上海交通大学、浙江大学等高校及光子芯片企业积极布局。截至2025年，光学矩阵乘法已从单一实验室演示发展为涵盖推理加速、训练加速、量子模拟等多个方向的研究与产业化领域。
| 发展阶段 | 时间跨度 | 代表性技术 | 主要瓶颈 |
|---|---|---|---|
| 光学模拟计算萌芽期 | 1960s-1980s | 透镜傅里叶变换、全息术、光学相关器 | 可编程性差、精度低、缺乏通用性 |
| 光互连与光交换发展期 | 1990s-2010s | 阵列波导光栅(AWG)、MEMS光开关 | 面向通信而非计算，运算功能弱 |
| 可编程光学计算复兴期 | 2017-2022 | MZI网格、微环阵列、相变材料 | 器件规模有限、精度受限、封装成本高 |
| 集成光子AI芯片产业化期 | 2023-至今 | 3D集成、混合光电方案、先进封装 | 生态建设、标准缺失、与电子系统协同 |
1.3 战略意义：为什么光学矩阵乘法是AI算力的“破局点”
当前AI算力面临三重困境：功耗墙——训练一个千亿参数大模型的电力消耗可达数GWh，数据中心电费已成为AI公司的主要运营成本；带宽墙——GPU之间、芯片与内存之间的数据搬运速度远低于计算速度，导致大量时间浪费在等待数据上；规模墙——电子芯片的晶体管密度已接近原子尺度，继续微缩的物理极限近在眼前。光学矩阵乘法在这三个维度上都提供了根本性的解决方案。
在功耗方面，光学乘法器的能量效率理论上可达fJ/MAC（飞焦耳每乘加运算）量级，比当前最先进的电子AI芯片（约pJ/MAC）低2-3个数量级。这是因为光子不携带电荷，不会产生焦耳热，能量主要消耗在电光转换和光电检测环节，而核心的矩阵运算本身几乎不消耗能量。在带宽方面，光的波长、模式、偏振均可作为独立的数据通道，单根光纤即可承载Tbps级的数据速率，而片上波导的带宽密度远高于铜互连。在规模方面，光学系统可以通过空间复用（二维阵列）、波长复用（WDM）和模式复用（MDM）三个维度同时扩展计算容量，理论上可实现的矩阵规模远超电子芯片的面积限制。
战略视角：光学矩阵乘法不仅仅是“更快的矩阵运算器”，它可能重塑整个AI计算体系架构。当矩阵乘法可以在光域以近乎零延迟、零功耗完成时，AI系统的瓶颈将从“计算”转移到“数据转换”和“存储访问”。这意味着未来的AI芯片设计可能需要重新思考数据流架构——将光计算核心与电子存储/控制单元深度集成，形成“光电混合”的异构计算范式。这也是本课程后续章节将反复强调的核心设计理念。
1.4 本课程的学习路径与目标
本课程共30章，按照“物理基础 → 器件原理 → 系统架构 → 应用实践 → 前沿挑战”的逻辑递进，帮助学员系统掌握光学矩阵乘法的理论、设计与应用能力。课程结构如下：
- 基础篇（第1-6章）：光学矩阵乘法的数学基础、光的波动光学与干涉衍射、光学器件基础（MZI、微环、SLM、光栅耦合器）、光学矩阵运算的编码与检测方案。
- 器件与芯片篇（第7-14章）：MZI网格的设计与校准、微环阵列的权重更新机制、相变材料光开关、光电混合芯片的集成工艺、封装与测试技术。
- 系统与算法篇（第15-22章）：光学矩阵乘法器的精度分析与误差补偿、光学神经网络架构（ONN）、光学卷积引擎、光学Transformer加速器、光学训练系统。
- 应用与前沿篇（第23-30章）：光学矩阵乘法在AI推理/训练中的应用案例、在量子模拟与科学计算中的应用、与现有电子计算系统的协同设计、产业生态与未来趋势。
通过本课程的学习，学员将达成以下目标：第一，深入理解光学矩阵乘法的物理原理与数学本质，能够独立推导光学系统的传输矩阵；第二，掌握主流光学矩阵运算器件的设计方法、性能参数与校准技术，具备基本的芯片设计能力；第三，能够针对具体AI应用场景（如大模型推理、边缘计算）进行光学矩阵乘法系统的架构设计与性能评估；第四，了解该领域的前沿研究方向与产业动态，为后续科研或工程实践奠定坚实基础。
学习提醒：光学矩阵乘法是一个高度交叉的领域，涉及光学、电子学、材料科学、计算机体系结构、算法设计等多个学科。建议学员在学习过程中注重“物理直觉”与“工程思维”的双重培养——既要理解光如何被操控和检测，也要关注系统层面的精度、功耗、延迟和成本约束。本课程将提供大量仿真案例和实验数据，帮助学员建立从理论到实践的完整认知链路。
在接下来的章节中，我们将从光的波动方程出发，逐步推导光学矩阵乘法的物理模型，并深入探讨每一种实现方案的优劣与适用场景。无论你是光学背景的研究者、AI芯片的工程师，还是对下一代计算范式感兴趣的决策者，本课程都将为你提供系统、深入且具有实践指导意义的知识体系。