【先进计算产业发展联盟】2026面向数据中心的光计算技术研究报告

面向数据中心的光计算技术研究研究单位：中国移动研究院完成日期：2026年04月2前言随着人工智能大模型技术的爆发式发展，全社会对智能算力的需求呈指数级增长。然而，摩尔定律逐渐放缓，传统电子芯片面临性能提升瓶颈与能耗攀升的双重压力。光计算凭借其大带宽、低能耗、高并行、抗干扰等物理优势，成为后摩尔时代突破“算力墙”与“功耗墙”的关键路径之一，有望为新型智算中心提供绿色高效的算力底座。本报告围绕面向数据中心的光计算技术展开系统研究。首先，从政策、技术和产业三个维度阐述了光计算的发展背景，分析了国内外光计算企业及科研院所的最新进展。其次，明确了光计算的定义与分类，重点介绍了光电混合计算、光神经网络及矩阵向量乘法等核心概念。在此基础上，构建了包含材料及器件层、硬件层、基础软件层、模型算法层和应用层的五层技术架构，并逐层剖析了关键技术与探索方向。报告进一步梳理了MZI阵列、MRR阵列、相变材料、亚波长衍射结构等硬件技术路线，以及光计算编译器、光学仿真总结了光计算在科研验证、边缘推理、大模型加速等应用场景的实践进展。针对当前面临的材料与器件、集成与封装、光电混合系统、软硬件协同等方面的挑战，提出了相应的发展建议。最后，从技术攻关、产业成熟、生态繁荣三个层面展望了光计算技术的未来发展方向。3本报告旨在为光计算领域的研究人员、产业从业者及政 策制定者提供系统性参考，助力我国光计算技术从“实验室”走向“产业化”，在智算基础设施领域实现“换道突破”。编制单位：中国移动研究院课题负责人：鲁泽霖王升课题参加人：鲁泽霖王升完成日期：2026年04月18日4一、光计算的背景 5 5 6 8二、光计算的定义和分类 9（一）光计算的定义 9（二）光计算的分类 10（三）光电混合计算 11 12（五）矩阵向量乘法 13三、光计算技术架构 13（一）材料及器件层 14（二）硬件层 15（三）基础软件层 16 18（五）应用层 19四、光计算关键技术 20 20（二）材料及硬件层关键技术 20（三）基础软件层关键技术 25（四）模型算法层关键技术 30 32五、光计算面临的挑战与建议 34（一）材料与器件 34（二）集成与封装 35（三）光电混合系统 35 36六、光计算产业展望 36（一）共同攻关光计算关键技术 37（二）共同推动光计算产业成熟 37（三）共同推动光计算生态繁荣 37《面向数据中心的光计算技术研究》5一、光计算的背景随着人类社会加速迈向数字化、智能化时代，算力已成为全球数字经济发展的核心驱动力和全球科技竞争的制高点。一方面，算力的发展能够直接带动产业链上下游的有效投资,在稳经济、稳投资、稳增长方面发挥积极作用。据信通院测算，每1元算力投入能够带动3-4元GDP产出，算力产业带动经济增长潜力巨大；另一方面，各国纷纷加大以智能算力为核心的算力基础设施建设与布局，在AI芯片、部件、基础软件等方面构建技术壁垒，全球算力竞争愈发白热化。与此同时，人工智能大模型的发展对计算效率和计算能耗提出了更高要求，在此背景下，各界纷纷加大对新型计算架构的探索，光计算凭借其在大带宽、低能耗、抗干扰、高并行等方面的独特优势，成为近年来业界关注的热点。国家高度重视光计算的研究和布局，将光计算作为我国重大科技发展方向予以重点支持。多个部委相继出台一系列重要政策，支持光计算芯片、光神经网络、硅基光电子等核心技术的研发，中央网络安全和信息化委员会发布的《“十四五”国家信息化规划》明确提出，要加强在集成电路、硅基光电子等关键前沿领域的战略研究与布局。科技部在“十四五”重点专项申报指南中，将信息光子技术、光电混合AI加速计算芯片等纳入重要内容，为科研工作提供了明确的方向指引。国家自然科学基金委将“实现大规模光计算芯片的智能推理与训练”列为2024年度中国科学十大进展之一，《面向数据中心的光计算技术研究》6进一步推动光计算技术的发展成熟。地方政府积极响应国家号召，因地制宜地加快制定相关行动计划。广东省发布的《加快推动光芯片产业创新发展行动方案(2024—2030年)》，全力支持光计算、光神经网络等前沿技术研发，致力于攻克光芯片领域的关键核心技术，培育具有国际竞争力的领军企业，打造千亿级产业集群。北京市印发《北京市算力基础设施建设实施方案（2024—2027年）》，提出推动硅光芯片等先进技术研发，鼓励企业探索采用光计算等新技术、新架构开展智算中心建设。重庆市出台的《重庆市未来产业培育行动计划（2024-2027年）》，聚焦硅基光电子技术，大力支持光子技术发展，推动区域相关产业实现创新升级。湖北省在2025年政府工作报告中，将超高速混合光子集成芯片列为攻关突破方向，推动湖北省科技创新与产业创新。从国家到地方，一系列政策举措形成了强大的政策合力，为光计算产业的蓬勃发展营造了良好的政策环境，助力我国在光计算领域抢占国际竞争制高点。人工智能技术的深度应用与模型规模的持续扩张，推动智能算力需求进入爆发式增长阶段。近年来，以深度学习为核心的人工智能技术取得了突破性进展，广泛应用于图像识别、语音识别、自然语言处理等多个领域。随着人工智能模型规模的不断增大，如GPT-4等大型语言模型的出现，对算力的需求呈现出爆发式增长。据国际数据公司（IDC）和《面向数据中心的光计算技术研究》7浪潮信息联合发布的《2025年中国人工智能计算力发展评同比增长74.1%；预计2025年将进一步增长至1037.3EFLOPS。这一爆发式增长背后，是大模型参数规模持续扩大、应用场景不断延伸的强力驱动，从单一的自然语言处理到多模态大模型，各类复杂任务对算力的需求与日俱增。传统电子计算芯片面临摩尔定律放缓和高端制程“卡脖子”的双重挑战。随着半导体工艺逐渐逼近物理极限，曾长期支撑算力提升的摩尔定律已面临失效，单位面积内晶体管数量的增长速度明显放缓、晶体管尺寸缩小愈发困难，芯片性能提升节奏难以跟上大模型算力需求的增长步伐，二者之间的差距不断拉大，传统基于电子芯片的算力供给模式，已难以匹配大模型发展的算力需求，算力供需失衡问题日益凸显。与此同时，我国高端芯片领域还面临核心技术封锁、高端制程受限等“卡脖子”问题，国外芯片制程技术已从3nm稳步向2nm迈进，台积电、三星等行业巨头不断突破技术壁垒，持续提升芯片性能与集成度，国内芯片主要制程仍停留在14nm，与国际先进水平存在显著差距，制程技术的滞后，极大限制了芯片性能的提升空间，导致国产芯片在性能表现上与国际顶尖产品存在代差。传统电子芯片能耗问题日益严峻，不利于数据中心可持续发展和双碳目标实现。全球数据中心耗电量持续攀升，根据国际能源机构IEA于2025年4月份的数据，自2005年至2024年，增长幅度超3倍。根据中国信通院发布的《绿色算《面向数据中心的光计算技术研究》8力发展研究报告（2025年）》，2024年我国数据中心用电量约1660亿千瓦时，占全社会用电量约1.68%，数据中心碳排放总量为0.859亿吨。如此巨大的能耗，不仅加重了能源供应负担，还拉高了运营成本，不利于国家绿色低碳发展战略落实，传统电子芯片能耗问题亟待解决。在全球光计算技术竞速与AI算力需求爆发的双重驱动下，国内外企业及科研院所加快光计算技术的探索与实践，取得了一系列关键进展。以美国为主的海外光计算企业依托顶尖科研院校技术积淀与资本密集投入，加速光计算产业化探索。Lightmatter创立于2017年，技术出自麻省理工学院，其产品涵盖光子计算平台（Envise）、芯片互连产品（Passage）和适配软件（Idiom专注于光电混合AI训练，近期获得4亿美元D轮融资，估值达44亿美元，并已与芯片制造商和云服务提供商合作推进大规模部署。LuminousComputing于2018年成立，技术源于普林斯顿大学PaulPrucnal课题组，2023年展示了O波段TRX光子链路，该芯片运用45nm工艺降低损耗，高速I/O可直连SERDES。2022年3月，其在A轮融资中获1.05亿美元，投资者包括Gigafund、比尔・盖茨等，投后估值2-3亿美元。受益于政策大力扶持以及本土化替代的广阔潜力，国内光计算产业迎来新一轮快速增长。上海曦智科技于2018年成立，作为国内光计算产业化的先行者之一，围绕光子矩阵《面向数据中心的光计算技术研究》9计算、片上光网络、片间光网络三大核心技术开展产品研发，构建了从光计算到光互连的全栈技术链，2025年推出天枢光电混合计算卡，光学处理单元支持128×128规模矩阵计算，2025年9月曦智科技宣布完成由中国移动旗下基金、上海国投等参与的规模超15亿元人民币的C轮融资。苏州光本位科技于2022年创立，技术源于牛津大学，光计算芯片产品支撑128×128矩阵规模，其在相隔半年内于完成分别由锦秋基金领投和敦鸿资产领投的两轮融资。北京芯算科技成立于2023年，技术源自麻省理工学院，于2023年推出集成多部件的高维光计算芯片和光电混合计算原型板卡。我国高校及科研院所在光计算技术探索方面百花齐放，成为支撑光计算技术创新和产业发展的重要力量。清华大学推出“太极1、太极2”芯片，首创分布式广度智能光计算架构，“太极”芯片实现160TOPS/W智能计算，在Nature上发表多篇论文。中国科学院上海光机所研发出“流星一号”，在光芯片高密度信息并行处理难题上取得突破，该芯片在50GHz光学主频下理论峰值算力达2560TOPS。二、光计算的定义和分类光计算技术是指利用光子作为信息载体，基于光的调制、干涉、衍射、传播等物理特性，通过必要的光学操作实现信息处理的新型计算技术。其核心是替代传统电子计算中电子的信息载体角色，依托光子传播速度快、并行性强、抗干扰《面向数据中心的光计算技术研究》10能力突出、能耗低等优势，突破电子计算在速度、功耗、带宽上的瓶颈，满足高算力场景下的高效计算需求。按照计算原理的不同，光计算可以分为光量子计算和光经典计算。光量子计算利用光的粒子性（如叠加、纠缠等对光子进行操控及测量来实现量子计算。目前，光量子计算技术处于早期发展阶段，主要以技术探索和解决特定问题为光经典计算利用光的波动性（如衍射、干涉等）实现电子计算机的功能。与电子计算机类似，按照处理信号类型的不同，光经典计算可分为数字光计算和模拟光计算。数字光计算是利用光学器件逻辑门，通过复杂的逻辑门组合构建类似传统数字电子计算原理的计算系统完成计算，但目前尚未被验证是一种有效的、通用的计算架构。模拟光计算则是利用多维光场调制实现某种专用的光学信息处理。模拟光计算实现光神经网络主要包括基于自由空间光学系统和基于集成光学平台两种方式。基于自由空间光学系统的光神经网络利用光在自由空间的传播和交互进行计算，不依赖于固定的光波导结构，具有灵活性高、可扩展性强的特点，但也面临着尺寸较大，不利于集成，环境因素敏感导致稳定性和精度问题，通常用于快速原型设计和算法探索。基于集成光学平台的光神经网络使用光波导引导光的传播，具有集成度高、能量效率高的优点，但目前仍面临着制造难度大、灵活性有限的问题，适用于需要高集成度、低功耗、稳定的应用场景。《面向数据中心的光计算技术研究》11随着人工智能对算力要求的不断提升，基于集成光学平台的片上光计算已成为当下业界研究的热点。（若无特殊说明，后续章节所述“光计算”均指片上光计算。）光电混合计算是一种融合光子技术与电子技术优势的新型计算范式，其核心思想在于"扬长避短"——将神经网络计算任务按照运算特性拆分为线性计算与非线性计算两部分，由光芯片负责矩阵乘法、卷积等大规模线性运算，由电芯片负责激活函数、池化、归一化等非线性运算，通过光电深度协同实现完整计算流程。光计算部分：利用光的干涉、衍射等物理特性，在自由空间或集成光波导中完成矩阵向量乘法（MVM）。光信号具有极高的并行性，可在同一时刻处理多维数据；同时光在传播过程中几乎不消耗能量（除耦合损耗外），理论上可实现零静态功耗的线性运算。常见的光学计算单元包括马赫-曾德尔干涉仪（MZI）阵列、微环谐振器（MRR）电计算部分：负责光计算结果的后处理，包括非线性激活（ReLU、Sigmoid、Softmax等）、池化（MaxPooling、AveragePooling）、批归一化（BatchNormalization）、注意力机制等。电芯片（如CMOSASIC、FPGA）在逻辑控制、存储访问和复杂函数实现方面具有成熟优势。光电接口：是系统的关键瓶颈之一。光电转换模块（如光电探测器PD、电光调制器EOM）负责光信号与电信号的《面向数据中心的光计算技术研究》12数据调度、权重更新等）交互，接口环节存在速度瓶颈。当前研究重点在于降低转换损耗、提升带宽密度，并探索全光非线性方案以减少光电转换次数。研究机构/公司方案特点性能指标LightmatterPassage光子互连+Envise光计算引擎支持ResNet、Transformer光电智能芯片"太极"光神经网络是基于光学原理实现的人工神经网络，它并非简单地将电子神经网络"光化移植"，而是利用光场调制、干涉、衍射、散射等物理过程直接模拟神经元的加权求和与非线性激活功能。光既是信息载体，也是计算介质，在传播过程中即完成信息处理。光神经网络是基于光学原理实现的人工神经网络，利用光场调制、干涉、衍射等物理过程模拟神经元的加权求和与非线性激活功能，主要包括光卷积神经《面向数据中心的光计算技术研究》13网络（O-CNN）、光循环神经网络（O-RNN）、光深度神经网络（O-DNN）等。类型缩写核心原理特点O-CNN理：空域卷积=频域乘积O-RNN测O-DNNO-SNN矩阵与向量的点乘内积及乘加计算操作，是人工神经网阵列、MRR阵列）以光速执行矩阵向量乘法，可有效加速神经网络推理并降低能耗。三、光计算技术架构《面向数据中心的光计算技术研究》14光计算技术架构自下而上分为材料及器件层、硬件层、基础软件层、模型算法层和应用层。材料及元器件层提供基础光学材料与核心器件；硬件层将器件集成为计算单元与系统；基础软件层提供工具链与运行环境；模型算法层定义光学友好的神经网络结构；应用层面向AI场景提供服务。 . .材料及器件层是光计算技术体系的基石，为光计算提供基础光学材料与核心元器件，实现对光信号的产生、收发、传输以及干涉、衍射、调制等物理操作。该层的性能直接决定了上层系统的集成度、功耗、带宽和稳定性。●材料方面：主要包括硅（Si）、铌酸锂（LiNbO₃)、III-V族半导体（如InP、GaAs）、钽酸锂（LiTaO₃)等。硅基材料兼容CMOS工艺，利于大规模集成，但发光效率低、吸收损耗较高；铌酸锂和钽酸锂具有优异电光效应，适合高速调制；III-V族半导体用于制造片上激光器和光放大器。《面向数据中心的光计算技术研究》15异质集成（如硅+铌酸锂、硅+III-V）成为当前研究热点，以兼顾性能与工艺成熟度。●元器件方面：激光器：提供片上或片外连续光源，是光计算的能量来源。目前片上集成激光器仍需突破效率与稳定性瓶颈。光调制器：如马赫-曾德尔调制器（MZM）、微环调制器等，实现电信号到光信号的加载（数模转换后的电压信号调制光强、相位或偏振）。调制器的带宽、消光比、功耗影响系统速度与精度。衍射结构等，用于执行矩阵向量乘法（MVM）等线性运算。不同技术路线在工艺成熟度、尺寸、功耗、精度、规模扩展性上各有优劣。光探测器：将光计算结果（光功率）转换为电流信号，再经模数转换送入电芯片。探测器的响应度、带宽、暗电流和噪声特性直接影响系统信噪比和计算精度。当前，材料及器件层正朝着低损耗波导、高集成度异质集成、高线性度调制器、低暗电流探测器等方向演进，以支撑更大规模、更高精度的光计算系统。硬件层将材料及元器件组合成完整的光电计算系统或全光计算系统，实现信息的传输、计算、存储。该层是光计算实现高算力与高能效的物理根基。《面向数据中心的光计算技术研究》16●主流方案：光电混合架构当前业界最成熟的实用化路径。在该架构下，计算任务被拆分为线性与非线性两部分：光芯片：承担矩阵向量乘法、卷积等线性运算。光信号以光速通过MZI阵列、MRR阵列等核心单元完成乘累加，具有高并行、低延迟、低功耗的优势。电芯片：承担激活函数（ReLU、Sigmoid等）、池化、归一化、数据调度等非线性及控制操作。电芯片同时负责数模/模数转换、激光器驱动、相位校准等辅助功能。光芯片与电芯片通过2.5D/3D封装或共封装光学（CPO）技术互联，以减少信号衰减和延迟。典型产品如曦智科技PACE、天枢计算卡，以及LightmatterEnvise。●前沿方案：全光架构旨在将包括非线性激活在内的全部计算置于光域内完成，避免光电/电光转换开销。目前面临全光非线性器件尺寸大、功耗高、与现有光集成工艺兼容性差等挑战，整体仍处于实验室原理验证阶段（如部分光学激活器件的演示）。全光架构理论上具有极限能效潜力，但距离工程化应用尚远。硬件层还涉及片上光网络用于多核或芯片间通信，以及片间光网络扩展计算规模。当前硬件层的主要瓶颈包括：矩阵规模受限（通常128×128以内）、计算精度不高（典型8bit）、片上串扰、封装标准化缺失等。《面向数据中心的光计算技术研究》17提供光计算基础软件工具平台，包括编译器、仿真工具、校准与容错模块、性能分析工具等。将算法模型映射为可执行的光计算指令，实现光电协同调度，支持芯片校准、任务调度、误差补偿等功能。基础软件层是连接硬件与上层算法的桥梁，提供光计算系统所需的软件工具链与运行环境，实现算法模型到光计算硬件的高效映射，并保障系统的可编程性、可靠性和易用性。●核心组件包括：编译器：将AI模型（如PyTorch、TensorFlow格式）自动拆解为光计算可执行的操作序列。需考虑硬件特性（矩阵规模、精度、光电转换开销、权重刷新频率等进行算子划分、硬件分配、指令生成。代表性工作如MITLightCode编译器。仿真器与光学EDA工具：用于光计算芯片的设计、仿真与验证。现有EDA工具缺少光学器件库和光子链路仿真能力，需开发专用工具支持光电协同仿真、版图设计、DRC/LVS验校准与容错模块：补偿光芯片的相位误差、温度漂移、工艺偏差等。典型方法包括基于FPGA的动态相位反馈控制、误差感知的训练算法、冗余设计等。性能分析与调度工具：提供算力度量（如等效光算力EOPP）、功耗评估、任务划分策略（线性部分上光、非线性部分上电）、多芯片级联调度，优化系统吞吐量与能效。计算库与通信库：封装常用光学算子（矩阵乘法、卷积、《面向数据中心的光计算技术研究》18FFT等）和跨芯片通信接口，降低应用开发门槛。当前基础软件层尚不成熟，各厂商自研工具链互不兼容，缺乏统一标准。加快光计算专用EDA、编译器及开源软件生态建设是产业化的关键。面向光学物理特性，将AI任务翻译为“光学友好”、可训练、可扩展的神经网络结构与算法。重点包括前馈神经网络、光卷积神经网络等。模型算法层面向光学物理特性，设计或改造神经网络结构与算法，使其能够高效运行于光计算硬件上，发挥光计算的高并行、低功耗优势。●核心研究方向：光学友好神经网络结构：针对光计算的光噪声、有限精度、线性运算占主导等特点，设计专用网络结构。例如：华中科技大学PDONN（部分相干深度光神经网络）采用级联光学非线性，实现高准确率图像分类；北京大学可重构芯片支持全连接、卷积、门控循环三类网络原位切换。推理任务适配与映射：将大语言模型（如Llama2、DeepSeek）的推理工作负载映射到光电混合系统。关键技术包括算子划分（矩阵乘上光，非线性上电）、硬件分配、编译优化。MITLightCode框架实现最高50%能耗降低；微软AOC在单一平台上实现AI推理与组合优化。算法-硬件协同设计：通过联合优化模型参数与硬件配置（如MZI阵列相位、权重编码方式提升整体性能。例如北京大学团队通过协同设计实现2.45TOPS/mm2算力密《面向数据中心的光计算技术研究》19光训练架构（前沿探索突破传统反向传播依赖电计算的限制，探索在光域内完成训练。清华大学“太极-II”利用光子传播对称性消除反向传播需求，实现大规模神经网络原位光训练；上海交大LightGen采用无监督贝叶斯训练算法，集成超200万光学神经元。当前模型算法层以推理为主流，光训练仍处于实验室突破阶段，但已展现出颠覆性潜力。应用层面向最终用户，提供模型推理、目标识别、图像检测、视频分析、内容生成等能力，赋能自动驾驶、安防识别、生物医药、金融投资、大语言模型推理等场景。当前光计算应用以科研验证和原型系统为主，逐步向边缘推理和大模型推理加速方向探索。●主要探索方向：科研验证与原型系统：中科院上海光机所“流星一号”（并行度>100，2560TOPS）、清华大学“太极”AI光芯片（160TOPS/W）、上海交大LightGen（单片超200万神经元）等，为技术成熟提供测试平台。边缘推理场景适配：面向低延迟、高能效、小尺寸需求，华中科技大学PEIC光子边缘智能芯片（单次推理4.1纳秒，能效121.7pJ/OP）、上海交大散射介质推理芯片(μm尺度实现分类任务）展示了光计算在边缘侧的潜力。大模型推理加速探索：利用光计算的矩阵运算优势加速《面向数据中心的光计算技术研究》20大语言模型推理。清华大学“太极”芯片支撑百亿参数模型；曦智科技天枢卡已运行Llama2并适配DeepSeek；微软AOC预计能效达500TOPS/W。商业化试点：曦智科技天枢计算卡已启动客户送样，在金融风控、医疗影像等场景开展验证；国内首个光互连光交换GPU超节点（曦智科技联合发布）虽侧重互联，但体现了光技术在实际数据中心的应用趋势。应用层的成熟依赖于软硬件生态完善和成本下降。预计未来2-3年，边缘推理场景将率先落地，随后逐步渗透到云端大模型推理，最终有望进入训练领域。四、光计算关键技术光计算关键技术主要围绕硬件层的器件与集成、光电混合系统的协同、基础软件与算法适配等方面展开。硬件层核心技术包括基于不同物理机理的光学矩阵计算方案，各方案在技术成熟度、计算精度、规模扩展性、工艺兼容性等方面各有优劣，尚未形成统一技术路线。基于光的不同物理特性、以及所使用的器件及材料的不同，光计算主要存在MZI、MRR、PCM三条技术路径，产业和学术界并行探索，MZI路线凭借矩阵可扩展性、系统稳定性等多方面优势，已成为最接近产业落地的技术路线。(1)硅光/铌酸锂异质集成《面向数据中心的光计算技术研究》21通过将硅基光电子器件与铌酸锂等高性能光学材料异质集成，发挥硅基CMOS工艺兼容性和铌酸锂高速调制特性，提升光计算芯片的集成度与调制带宽。当前研究重点包括低损耗异质界面、薄膜铌酸锂工艺及与硅光器件的混合集成。硅材料在通讯波段透明且与CMOS工艺兼容，可用于构建低损耗波导、无源器件和探测器；但硅的线性电光效应弱，依赖自由载流子色散效应实现调制，存在调制带宽有限、插损较大、热稳定性差等问题。铌酸锂具有显著的电光系数（r₃₃≈30pm/V），能够实现高速、低损耗、高线性的相位和强度调制，是高性能光调制器的理想材料。(2)MZI阵列马赫-曾德尔干涉仪（MZI）阵列是目前光计算中实现矩阵向量乘法（MVM）最为成熟和广泛研究的技术路径。MZI由两个3dB耦合器（分束器/合束器）和两个移相器（通常为热光或电光效应）构成，通过调节内部移相器的相位差，可以控制两路光之间的干涉结果，从而实现对输入光幅度的任意加权。两个MZI可以级联构成一个2×2酉矩阵单元，理论上任意N×N酉矩阵都可以通过三角形（Clements）或矩形（Reck）拓扑的MZI网格级联实现。对目标矩阵进行奇异值分解（SVD得到M=UΣV∗,其中U和V为酉矩阵，Σ为对角矩阵。酉矩阵由MZI网格实现，对角矩阵由独立的光衰减器（或通过调节MZI的输出端）实现。输入光向量经调制后进入MZI网格，依次经过每个MZI单元的相位调制和干涉，输出端光强即为矩阵-向量乘法的结果。22面向数据中心的光计算技术研究》目前，商用产品（如LightmatterEnvise、曦智科技天枢）以MZI阵列为主体，结合误差补偿和混合精度计算，实现了128×128规模的实际部署。(3)微环谐振器阵列基于微环谐振器（MRR）阵列配合波分复用技术实现矩阵向量乘法。输入向量由多个波长的光信号表示，矩阵权重由MRR的透射率编码，通过光电探测器累加输出。该技术单元尺寸小、矩阵映射简单，但矩阵规模受波分复用信道数限制，对环境敏感。(4)相变材料相变材料（PhaseChangeMaterial,PCM）是一类能《面向数据中心的光计算技术研究》23够在非晶态与晶态之间实现可逆快速切换的功能材料，典型代表包括硫系化合物Ge₂Sb₂Te₅（GST）、Sb₂Se₃等。在光计算中，PCM被集成于硅光波导上方或嵌入波导结构中，利用其晶态与非晶态之间显著的光学性质差异（如折射率和消光系数变化实现对光信号幅度、相位的调制，并能够非易失性地存储权重信息，从而模拟神经网络的突触权重更新。本技术路线利用相变材料（PCM）在晶态与非晶态之间的可逆快速切换，改变光路传导特性，实现光信号的调制与存储，可编码突触权重。PCM的晶态（有序结构）具有较高的折射率和较低的吸收系数，而非晶态（无序结构）具有较低的折射率和较高的吸收系数。通过电脉冲或光脉冲激发，PCM可在纳秒至微秒时间内在两种状态之间切换。当光波导中的倏逝场与PCM层相互作用时，PCM的状态决定了光信号的衰减或相移量，从而实现光学权重编码。由于PCM的状态变化是非易失性的，即使断电也能保持权重值，这为存算一体和低功耗推理提供了可能。不兼容，调制时延相对较高。《面向数据中心的光计算技术研究》24(5)亚波长衍射结构亚波长衍射结构是指特征尺寸（周期、线宽、高度）小于或接近工作光波长的二维平面光学结构，通常称为超表面（Metasurface）或衍射光学元件（DOE）。这类结构通过亚波长尺度的天线或孔洞阵列，对入射光的相位、振幅和偏振进行逐点调控，能够实现传统折射或反射光学难以完成的复杂光场变换。在光计算中，多个级联的亚波长衍射层构成光学神经网络，每个衍射单元的复透射系数（或相位延迟）作为可训练权重，输入光经过自由空间传播和各层衍射调制后，输出光场直接对应计算结果。本技术路线原理为，设计多层超表面，每层包含大量亚波长结构单元（如介质柱、纳米鳍等每个单元可独立控制透射/反射光的相位（0~2π)和幅度（0~1）。当输入光（如携带图像信息）通过第一层超表面时，被调制成特定光场分布；经过一段自由空间传播（等效于神经网络层间连接进入第二层超表面再次调制；如此重复多级，最终输出光强分布即为分类或回归结果。整个计算过程以光速完成，且无需外部能量维持权重（无源器件）。理论上，通过深度学习训练（如基于傅里叶光学的可微分仿真可以优化各层超表面的相位分布，实现任意线性变换和非线性激活（通过光与物质相互作用，但通常需要额外非线性介质）。然而，亚波长衍射结构距离实用化光计算芯片仍面临制造、稳定性和可编程性三大瓶颈。未来方向包括：结合相变材料或液晶实现可调超表面，开发容错训练算法，以及利用大尺寸纳米压《面向数据中心的光计算技术研究》25印光刻降低制造成本。(6)光电转换与调制器件包括电光调制器（如马赫-曾德尔调制器）和光电探测器，用于实现电信号与光信号之间的转换。电光调制器将电数据加载到光载波上，光电探测器将光计算结果转换为电流信号。器件的响应速度、转换效率、噪声特性直接影响光电混合系统的整体性能。基础软件层是连接光计算硬件与上层AI算法的桥梁，为光计算系统提供完整的软件工具链与运行环境，实现算法模型到光计算硬件的高效映射，并支撑芯片校准、任务调度、误差补偿与性能优化。当前，光计算领域尚处于硬件驱动、软件跟进的阶段，各厂商自研工具链互不兼容，缺乏统一的标准和接口。因此，加快光计算专用基础软件的研发，构建开放、高效的软件生态，是推动光计算产业化的关键环节。(1)光计算编译器光计算编译器负责将高级AI模型（如PyTorch、TensorFlow、ONNX格式）自动转换为可在光计算芯片上高效执行的操作序列。●其核心功能包括：算子划分：根据光计算硬件的特性（如支持矩阵乘法、卷积但不擅长非线性运算），将计算图拆分为“光友好”部分（如大矩阵乘、卷积）和“电友好”部分（如激活函数、池化、归一化并插入必要的光电/电光转换节点。《面向数据中心的光计算技术研究》26硬件分配：将线性计算任务映射到光芯片上的特定计算单元（如MZI阵列的某一子块、MRR阵列的波长通道），同时将非线性任务分配给电芯片（CPU/GPU/ASIC），并决定数据传输路径。指令生成：生成光芯片移相器的电压配置序列（权重加载）、电芯片的控制指令以及光电转换时序。编译器需考虑硬件约束，如权重刷新速度、相位调谐范围、热串扰避免等。目前，美国Lightmatter公司已为其Envise光计算平台开发配套编译器，支持TensorFlow和PyTorch的插件式集成，可将常见的神经网络层（如全连接、Conv2D）自动映射到光子矩阵单元。国内方面，曦智科技、光本位科技等企业也在积极研发自主编译器，但整体成熟度低于电子芯片编译器（如TVM、MLIR）。未来，光计算编译器需进一步支持混 合精度量化（如8位光计算+16位电后处理）、动态重配置 以及多芯片级联的自动并行化。同时，开源编译框架（如基于MLIR的扩展）有望加速生态建设。(2)光学仿真与EDA工具光学仿真与电子设计自动化（EDA）工具是光计算芯片设计与验证的基础。传统EDA工具（如CadenceVirtuoso、SynopsysOptoCompiler）虽然开始集成光子学组件，但仍主要服务于通信光模块（如调制器、探测器），缺乏针对光计算特有的矩阵阵列、大规模干涉仪网络、片上光源耦合等专用仿真模型。●需要开发的专用光计算EDA工具应包含以下功能：《面向数据中心的光计算技术研究》27光学器件库：提供精确的MZI单元、MRR、PCM单元、光栅耦合器、波导交叉等参数化模型，支持工艺角（PVT）和温度变化下的光谱响应仿真。光子链路仿真：支持大规模光路时域/频域仿真，计算光信号从激光器到探测器的完整链路的功率、相位、噪声和串扰。尤其需要支持MZI阵列的级联误差累积分析。光电协同仿真：联合仿真光芯片与电芯片（包括驱动电路、TIA、ADC/DAC）的混合行为。例如，模拟电信号噪声如何通过调制器影响光计算精度，反之光探测器暗电流如何影响电信号恢复。版图与物理验证：提供针对光波导的DRC（设计规则检查，如最小弯曲半径、间距）、LVS（版图与原理图比对）以及光路耦合效率后仿真的能力。目前，学术界和初创企业（如LucedaPhotonics、AnsysLumerical）已推出部分光子仿真工具，但专用于光计算的完整流程仍缺失。国内亟需开发自主可控的光计算EDA平台，支持标准工艺库（如硅光MPW流片）和异质集成（III-V/铌酸锂）的设计流程。(3)校准与容错机制光计算硬件面临物理噪声（散粒噪声、热噪声）、相位误差（MZI制造偏差、热漂移）、环境扰动（温度、振动）以及光源稳定性问题，导致计算误差随阵列规模扩大而累积。因此，校准与容错机制是实现高精度光计算的关键。●主要技术路线包括：《面向数据中心的光计算技术研究》28在线相位校准：通过集成监控探测器或背向光监测，实时检测MZI阵列的相位状态，并利用反馈算法（如随机并行梯度下降、粒子群优化）闭环调整移相器电压。基于FPGA的高速动态补偿已在小规模阵列中验证，可将误差降低到<1%的水平。清华大学“太极”芯片通过干涉-衍射混合异构有效缓解了相位漂移的影响。误差感知的训练算法：在模型训练阶段，将光计算硬件的噪声模型（如相位误差分布、探测器非线性）作为可微分噪声层加入训练过程，使训练得到的权重对实际硬件误差具有鲁棒性。该方法需要大量的硬件表征数据，但可显著提升推理精度。冗余与纠错设计：采用多路径冗余（如多组MZI并行计算取平均）、权重编码纠错（如使用校验光子通道）或物理冗余（备用MZI单元切换）等方法，以面积和功耗换取可靠性。此外，利用电芯片进行结果后处理（如卡尔曼滤波）也是一种轻量级容错手段。温度控制：集成微型热电冷却器（TEC）或片上加热器进行局部热稳定，但会增加功耗。因此，开发低温度敏感系数的波导材料（如氮化硅）和无热化设计也是研究热点。目前，工业界产品（如LightmatterEnvise）通常采用出厂一次性校准+运行时微调的组合策略，而实验室研究正探索全自动、高精度的自校准光计算架构。未来，随着集成度提升，校准机制需要与编译器深度融合，实现“编译时《面向数据中心的光计算技术研究》29预补偿+运行时自适应”。(4)性能分析与调度光计算系统的性能分析与任务调度层负责监控系统运行状态、优化资源利用率，并为上层应用提供统一的算力抽●关键功能包括：算力度量标准：光计算芯片的真实性能不能仅用峰值TOPS衡量，还需考虑有效精度、权重刷新开销、光电转换延迟等。曦智科技提出了等效光算力（EOPP）标准，综合矩阵规模、输出精度、权重刷新速度、能效比等因素，为不同光计算方案提供公平对比的指标。建立统一的算力度量体系，有助于用户选型和系统调度。能耗评估与优化：光计算虽然核心矩阵运算能效高，但激光器、热光调相器、电光转换等外围电路可能占据总功耗的60%以上。性能分析器需实时统计各模块功耗，识别能耗热点，并指导动态电压频率调节（DVFS）或部分阵列关断等节能策略。光电任务划分策略：根据应用场景（低延迟、高吞吐或低功耗），调度器可动态决定哪些层运行在光域、哪些层回退到电域。例如，对延迟敏感的实时推理任务，可将所有线性层均映射到光芯片；而对高精度要求任务，可启用电后处理纠错。该划分策略通常与编译器联合设计，形成反馈循环。多芯片级联调度：当单颗光计算芯片无法容纳大模型时，需通过光互连或电互连将多颗芯片（以及存储芯片）组成集《面向数据中心的光计算技术研究》30群。调度器负责数据分发、负载均衡、流水线并行或模型并行，并尽量减少跨芯片通信开销。例如，将Transformer的注意力头分配到不同光芯片上计算，再通过片上光网络聚合目前，性能分析与调度工具尚处于早期阶段，多数厂商仅提供简单的命令行监控工具。借鉴云计算中的Kubernetes和边缘计算框架，未来应发展面向光计算异构集群的资源管理系统，支持自动扩缩容、容错迁移和服务质量保证。模型算法层面向光学物理特性，将AI任务翻译为“光学友好”、可训练、可扩展的神经网络结构与算法。当前，前馈神经网络已在光计算芯片上得到验证，光训练架构正处于前沿探索阶段。(1)光学神经网络结构：面向光学物理特性设计专用神经网络结构，以实现计算精度与硬件能效的最佳匹配。华中科技大学张新亮、董建绩团队提出“部分相干深度光神经网络”（PDONN）架构，采用级联增益的光学非线性激活函数和部分相干光源，实现了64维输入、四层网络的单片集成光子神经网络，在图像分类任务中准确率达94%～96%。北京大学胡小永、杨起帆、龚旗煌团队提出可重构多功能集成光计算芯片，基于算法-硬件协同设计架构，在统一构型下支持全连接、卷积和门控循环三类神经网络模型的原位31切换部署，覆盖图像、文本、语音等多模态任务。(2)推理任务适配与映射：研究如何将AI推理任务高效映射到光计算硬件上，包括算子划分、硬件分配和编译优化等。MIT团队提出LightCode编译器框架，通过引入StackedGraph中间表示，将大语言模型推理工作负载映射到光电混合系统上，在仿真中实现最高50%的能耗降低，并可针对延迟或能耗进行差异化硬件映射优化。微软剑桥研究院提出模拟光学计算机（AOC），融合3D光学与模拟电子技术，在单一平台上实现AI推理与组合优化双突破，能效预计达500TOPS/W，较主流GPU提升超100倍。(3)算法-硬件协同设计：通过协同优化硬件结构与模型算法，提升光计算系统的整体性能与任务适应性。北京大学团队提出算法-硬件协同设计架构，融合交叉波导耦合的微环谐振器核心计算单元与光频梳光源，实现全连接、卷积和门控循环神经网络的原位切换，芯片算力密度达2.45TOPS/mm²。MITLightCode团队将编译优化与硬件协同作为核心，提出StackedGraph中间表示，在光电混合系统上优化大语言模型推理的延迟和能耗。(4)光训练架构（前沿探索探索在光域内完成神经网络训练的全新技术路径。清华大学戴琼海、方璐团队首创全前向智能光计算训练架构（“太极-II”利用光子传播对称性消除反向传播需求，实现了《面向数据中心的光计算技术研究》32大规模神经网络的原位光训练，相关成果发表于《Nature》。上海交通大学陈一彤团队提出全光大规模语义生成芯片LightGen，集成超过200万个光学神经元，采用无监督贝叶斯训练算法实现语义图像生成，发表于《Science》。应用层提供模型推理、目标识别、图像检测、视频分析等能力，赋能自动驾驶、安防识别、生物医药、大语言模型推理等场景。当前以科研验证和原型系统为主，逐步向边缘推理、大模型推理加速等方向探索。(1)科研验证与原型系统：面向科研验证的原型系统为光计算技术从实验室走向产业化奠定基础。中国科学院上海光机所谢鹏团队研制出超高并行光计算集成芯片“流星一号”，实现了并行度>100的光计算原型验证系统，在50GHz光学主频下理论峰值算力达2560TOPS。清华大学研制“太极”系列智能光计算芯片，“太极-I”实现160TOPS/W的系统级能效，发表于《Science》，首次赋能光计算解决自然场景千类对象识别、跨模态内容生成等人工智能复杂任务。上海交通大学研制全光大规模语义生成芯片LightGen，单片集成超200万个光学神经元，可完成高分辨率(≥512×512）图像语义生成、3D生成、高清视频生成等任务，发表于《Science》。《面向数据中心的光计算技术研究》33(2)边缘推理场景适配：针对边缘计算场景对低延迟、高能效推理的需求，探索光计算在边缘侧的部署方案。华中科技大学提出部分相干深度光神经网络（PDONN）架构，芯片单次推理延迟约4.1纳秒，计算能效达121.7pJ/OP，具备在边缘侧部署的潜力。上海交通大学郭旭涵、苏翼凯团队在SOI平台上实现基于散射介质的机器学习推理芯片，在8μm×8μm的设计区域内实现鸢尾花分类任务实验验证，在44.8μm×44.8μm区域仿真手写数字识别准确率达92.8%，相关工作发表于《NatureCommunications》。(3)大模型推理加速探索：面向大语言模型推理对算力和能效的严苛要求，探索光计算加速方案。清华大学“太极”系列光芯片明确可支撑百