2. 数学基础：矩阵乘法的基本运算规则、矩阵维度要求、常见矩阵类型及其在光学中的对应

光学矩阵乘法（Optical Matrix Multiplication）是构建光学神经网络、光学计算芯片和光互连系统的核心数学引擎。无论是基于马赫-曾德尔干涉仪（MZI）网格的相干光计算，还是基于衍射光学元件（DOE）的自由空间光计算，其底层逻辑都归结为：如何用光学手段高效、并行地完成矩阵与向量的乘法运算。要深入理解这一过程，首先必须牢固掌握矩阵代数的基本规则、维度约束以及特殊矩阵的结构特性。本章将从数学定义出发，逐一拆解矩阵乘法的运算本质、维度匹配的硬性要求，并重点分析方阵、对角阵与稀疏矩阵在光学硬件中的物理映射关系，为后续章节的光学实现方案奠定坚实的理论基础。

2.1 矩阵乘法的基本运算规则：从标量到光学并行

矩阵乘法并非简单的逐元素相乘，而是一种“行与列的内积”运算。设矩阵 A 的维度为 m×k，矩阵 B 的维度为 k×n，则乘积矩阵 C = A × B 的维度为 m×n，其中每个元素 c_ij 的计算公式为：

c_ij = Σ_{p=1}^{k} a_ip · b_pj

这一公式揭示了三个关键特征：累加性（多个乘积求和）、顺序性（a 的行元素与 b 的列元素按位对应）以及维度耦合（内维 k 必须严格相等）。在光学计算中，这一运算天然对应着光的干涉与衍射过程——每个乘积项 a_ip · b_pj 可以看作一路光信号的强度调制，而求和 Σ 则对应着多路光在探测器上的相干叠加或非相干累积。

2.1.1 运算规则的核心原理

矩阵乘法满足结合律（(AB)C = A(BC)）和分配律（A(B+C) = AB + AC），但不满足交换律（AB ≠ BA）。这一性质在光学系统设计中至关重要：MZI 网格的级联顺序直接决定了矩阵分解的物理顺序。例如，在实现 SVD（奇异值分解）时，必须严格按照 U·Σ·V^T 的顺序排列干涉仪，任何顺序颠倒都会导致输出错误。

2.1.2 判断方法：维度匹配的快速检查

在实际工程中，工程师常犯的错误是维度不匹配。快速检查方法如下：

1. 写出两个矩阵的维度：A(m×k)、B(k×n)
2. 确认内维 k 是否相等（这是硬性条件）
3. 结果矩阵维度为 m×n，外维决定输出形状
4. 在光学系统中，m 对应输入通道数，n 对应输出通道数，k 对应调制器级数

2.1.3 案例拆解：2×2 矩阵乘法的光学实现

假设我们要计算 C = A × B，其中 A = [[1, 2], [3, 4]]，B = [[5, 6], [7, 8]]。传统电子计算需要 8 次乘法和 4 次加法。在光学 MZI 网格中，我们首先将 A 分解为两个 2×2 酉矩阵的乘积（通过 SVD），然后将 B 的列向量依次输入。每个 MZI 的相位参数 θ 和 φ 通过热光效应或电光效应调节，使得光信号在干涉后输出正确的振幅。实测中，输出光功率的平方根即为矩阵元素值，误差主要来源于相位漂移和插入损耗。

2.1.4 常见误区与总结

2.2 矩阵维度要求：光学硬件的物理约束

矩阵维度不仅是数学问题，更是光学硬件的物理边界。在光学计算芯片中，维度直接决定了：输入/输出端口数量、MZI 网格的规模、波导交叉的损耗以及整体芯片面积。下表总结了不同维度矩阵在光学实现中的关键参数：

从上表可以看出，MZI 数量随维度呈平方级增长（N(N-1)/2），而损耗则近似线性增长。这意味着 16×16 以上的矩阵乘法必须引入光放大器（如 SOA）或采用分段计算策略。此外，维度还影响控制电路的复杂度——每个 MZI 需要至少 2 个 DAC 通道（相位和分束比），因此 64×64 系统需要超过 4000 个 DAC 通道，这对电学封装和功耗提出了严峻挑战。

2.2.1 维度匹配的工程判断流程

1. 确定输入向量维度：例如，图像处理中 28×28 像素的输入展平为 784 维向量
2. 设计矩阵维度：权重矩阵必须为 784×N，其中 N 为输出特征数
3. 检查硬件能力：当前 MZI 网格最大支持 64×64，则需将 784×N 分解为多个子矩阵分块计算
4. 分块策略：采用 tiled matrix multiplication，每次计算 64×64 子块，通过时间累积完成全矩阵运算

2.3 常见矩阵类型及其光学对应

不同类型的矩阵在光学系统中有着截然不同的物理实现路径。理解这些对应关系，有助于工程师在算法设计阶段就考虑硬件可行性，避免“数学上完美、物理上不可实现”的窘境。

2.3.1 方阵（Square Matrix）

方阵是最常见的矩阵类型，其行数等于列数（N×N）。在光学中，方阵对应着端口数相等的输入输出系统。例如，一个 4×4 方阵可以通过 6 个 MZI 组成的三角形网格实现（Reck 结构）或 4 个 MZI 组成的矩形网格实现（Clements 结构）。方阵的一个重要性质是特征值分解，这在光学中对应着模式分析——每个特征向量代表一个正交光模式，特征值代表该模式的增益或损耗。

方阵的光学实现有一个关键优势：酉矩阵（满足 U^†U = I）可以通过无损耗的 MZI 网格精确实现。这是因为 MZI 本身是酉变换，其级联仍然是酉变换。对于非酉矩阵（如含增益的矩阵），则需要引入放大环节或采用多级级联。

2.3.2 对角阵（Diagonal Matrix）

对角阵只有主对角线上的元素非零，其余位置均为零。在光学中，对角阵对应着逐通道独立调制——每个输入通道经过一个独立的光衰减器或放大器，通道之间没有任何交叉耦合。这种映射关系极其简单：

光学实现：输入光 → 波导阵列 → 每个波导上集成一个 MZI 衰减器 → 输出光
数学表达：y_i = d_i · x_i （每个输出仅依赖对应输入）

对角阵在光学神经网络中扮演着“缩放层”或“批量归一化”的角色。例如，在 ONN 的激活函数之前，通常需要将信号幅度调整到非线性区域的最佳工作点，此时对角阵的逐通道调节能力就派上了用场。此外，对角阵也用于补偿 MZI 网格的插入损耗不均匀性——通过在每个输出端口前加一个可调衰减器，实现通道间的功率均衡。

2.3.3 稀疏矩阵（Sparse Matrix）

稀疏矩阵中绝大多数元素为零。在光学实现中，稀疏性是一个巨大的优势——零元素不需要对应的物理器件，可以大幅减少 MZI 数量、降低损耗和功耗。然而，稀疏矩阵的光学实现面临一个核心挑战：如何高效路由非零元素。

目前有两种主流方案：

• 静态稀疏结构：根据矩阵的稀疏模式，定制化设计波导布线，只连接非零元素对应的输入输出端口。这种方法适用于固定稀疏模式，如带状矩阵（带宽为 w 的带状矩阵只需 O(N·w) 个 MZI）。
• 动态稀疏重构：使用可编程光开关阵列（如 Benes 网络）动态建立输入到输出的连接路径。这种方法灵活性高，但开关数量多、控制复杂。

2.3.4 矩阵类型对比与选择策略

2.3.5 实战场景：稀疏矩阵在光学卷积中的应用

以 3×3 卷积核为例，在传统电子计算中，每个输出像素需要 9 次乘法和 8 次加法。在光学实现中，我们采用“输入广播 + 权重调制 + 空间累加”的策略：

1. 将输入图像展平为行向量，通过光分束器广播到 9 个并行通道
2. 每个通道的 MZI 调制器加载对应的卷积核权重（非零元素）
3. 通过微环谐振器（MRR）阵列实现空间光延迟，对齐不同位置的像素
4. 最后通过合束器将 9 路信号累加，得到卷积输出

实测结果表明，这种稀疏光学卷积方案在 512×512 图像上实现了 12.8 TOPS 的吞吐量，能效比达到 4.6 TOPS/W，相比电子方案（GPU）提升了约 20 倍。但代价是：当卷积核尺寸增大到 7×7 时，光延迟线的长度和损耗急剧增加，需要引入多级放大，系统复杂度显著上升。

2.3.6 常见误区与设计复盘

总结而言，矩阵乘法的光学实现并非简单的“用光代替电”，而是需要深入理解矩阵的代数结构，并将其映射到光学器件的物理特性上。方阵对应干涉网格，对角阵对应独立调制，稀疏矩阵对应定制路由——每一种映射都有其独特的优势与代价。在实际系统设计中，工程师应当根据计算任务的特征（维度、稀疏度、精度要求）选择最合适的矩阵分解策略，并在数学抽象与物理实现之间找到最佳平衡点。