1. 课程导入
当电子芯片的算力增长逐渐逼近功耗墙与互连带宽瓶颈时，光电混合计算（Optoelectronic Hybrid Computing）成为突破传统冯·诺依曼架构限制的重要技术路线。它并非简单地把光器件与电芯片拼在一起，而是让光与电各自承担最擅长的计算与传输任务：光负责高带宽、低延迟、低损耗的数据搬运与线性运算，电负责高精度逻辑控制、非线性运算、存储与调度。二者通过光电协同的数据通路耦合为一个整体计算系统。
一、核心定义：什么是光电混合计算
光电混合计算是指在同一个计算系统中，同时使用电子器件（CMOS 逻辑、SRAM/DRAM、模拟电路）和光子器件（调制器、波导、微环谐振器、光电探测器、光开关）完成数据处理，并通过光电转换接口实现两类器件之间的数据交换。其核心特征可归纳为三点：
- 计算分工：光域完成矩阵乘法、卷积、傅里叶变换等线性运算；电域完成非线性激活、判决、控制与存储。
- 数据搬运光化：片间、板间、芯片内长距离互连由光链路承担，降低能耗与延迟。
- 接口是关键：调制器与探测器构成光域与电域之间的“翻译层”，其带宽、损耗、噪声直接决定系统性能上限。
二、发展背景：为什么现在需要光电混合
推动光电混合计算从实验室走向工程化的动力来自三个方向。第一是算力需求爆炸：大模型训练与推理对矩阵乘法的吞吐要求每两年增长数十倍，而电子互连带宽增长缓慢。第二是功耗墙：先进制程下，数据搬运功耗已超过计算本身，芯片间 SerDes 链路能耗约为 5–10 pJ/bit，而光互连可降至 1 pJ/bit 以下。第三是光子集成成熟：硅光工艺、CMOS 兼容的微环调制器、锗硅探测器、光频梳等技术逐步可量产，使光计算从分立器件走向晶圆级集成。
下表对比了纯电、纯光与光电混合三种路线的关键指标，帮助理解光电混合的定位：
| 对比维度 | 纯电子计算 | 纯光计算 | 光电混合计算 |
|---|---|---|---|
| 线性运算能效 | 中等，受互连限制 | 极高 | 高 |
| 非线性运算 | 成熟高效 | 弱，难实现 | 由电域承担 |
| 存储能力 | 强 | 几乎无 | 电域存储 |
| 互连带宽 | 受引脚与功耗限制 | 极高 | 光互连为主 |
| 工艺成熟度 | 非常成熟 | 实验室阶段 | 快速成熟中 |
| 典型应用 | 通用 CPU/GPU | 特定线性变换 | AI 加速、光互连 |
三、数据通路设计的目标
数据通路（Data Path）是数据在系统中流动、变换、暂存所经过的路径集合。在光电混合系统中，数据通路设计要同时跨越电域与光域，目标可归纳为四条：
- 带宽匹配：光链路带宽远高于电接口，必须通过并行化、时分复用或波分复用让电域不成为瓶颈。
- 精度可控：光域模拟计算存在噪声、漂移与量化误差，需在电域做校准与补偿，保证端到端精度。
- 能耗最优：光电转换本身有损耗，要尽量减少 O-E-O 转换次数，让数据在光域停留更久。
- 可扩展：通路结构应支持从单通道到多波长、多芯片的平滑扩展，避免重构整个系统。
四、整体课程框架与典型场景
本课程共 30 章，围绕“器件—链路—通路—系统”四层展开。前段介绍光电器件与接口基础，中段讲解数据通路的结构、调度与精度管理，后段进入系统级设计、仿真与案例复盘。下图展示了光电混合计算数据通路的整体信号链与课程关注的核心环节：
一个典型场景是 AI 推理加速器：输入特征图与权重在电域完成量化与打包，经调制器加载到光载波上，在由马赫-曾德尔干涉仪（MZI）或微环阵列构成的光域完成矩阵乘法，输出光信号由探测器转换为电流，再经跨阻放大器与 ADC 回到电域完成非线性激活与结果存储。整个过程中，数据通路设计决定了系统能跑多快、多准、多省电。
五、常见误区与学习建议
误区二：只关注器件指标，忽略通路调度。 再好的调制器，如果数据调度不当，光链路利用率也会很低。
误区三：忽视光电转换开销。 每次 O-E-O 转换都带来功耗与噪声，通路设计要尽量减少转换次数。
学习本课程时，建议先建立“信号链”视角：从电域输入到光域运算再到电域输出，每一步都问三个问题——带宽够不够、精度丢没丢、能耗花在哪。带着这三个问题进入后续章节，就能把器件、链路、通路与系统串成一条完整的设计主线。
数据通路设计检查清单（每章可复用）：
1. 电域输入位宽与速率是否匹配光链路容量？
2. 调制器驱动电压与消光比是否满足误码率要求？
3. 光域运算的噪声与漂移是否在电域可校准范围内？
4. 探测器带宽与 TIA 增益是否形成新的瓶颈？
5. 反馈控制路径的延迟是否影响系统稳定性？
6. 整体能效是否优于纯电方案？