Whoscored中文官网 | 编译自 Optics & Photonics News
越来越多的公司正在成立，以实现光学处理器的商业化，这是一项具有巨大潜在利益的技术，同时也有一些症结所在。
美国公司Ayar Labs正在开发和销售的TeraPHY光学I/O "小芯片 "的晶圆。来源：AyarLabs
几十年来，摩尔定律一直在半导体行业中起着支配作用，每块微芯片中的晶体管数量大约每两年翻一番。但是当涉及到这些芯片的能源消耗时，进展已经开始崩溃了。以前，每一个逻辑操作的能耗随着每一代新芯片的出现而迅速下降。现在，这一趋势是持平的，或者只是略微下降，导致性能的提高大大降低。
Salience Labs是英国牛津大学Harish Bhaskaran实验室的衍生公司，正在努力实现人工智能应用的混合电子-光子芯片的商业化。来源：Salience Labs
由于人工智能的非凡崛起，这一能耗问题正变得越来越紧迫，现在从互联网搜索和语言翻译到图像识别和自动驾驶汽车都在使用人工智能。谷歌等科技公司已经设计出提升数字人工智能计算效率的方法。但一些专家认为，对处理的需求将变得如此迫切，以至于需要一种全新的技术：光子计算。
光子计算机不是通过将电流包装成0和1来编码和操作数据，而是依靠光的物理和模拟特性。数据通常表示为激光束的振幅或相位的变化，并在光束穿过一系列适当启动的光学元件时被处理。这一切都以光速进行，消耗的能量不超过为激光源供电所需的能量：处理时间和能量需求都与输入大小无关。
直到最近，关于光子计算机的工作主要局限于笨重的实验室实验。但集成光子学已经改变了这一状况，使得扩大这种技术的规模变得更加容易，并为商业产品打开了大门。其结果是已经创建了大约十几家初创公司，提出了这样的前景：在经历了几十年的挫折之后，光学技术可能最终挑战强大的晶体管。
这些公司已经筹集了数亿美元的资金，雇用了一些光子学和计算机领域最聪明的人，并与领先的跨国公司建立了伙伴关系。虽然有些公司最终可能无法生存，但英国牛津大学的工程师、大学分拆的Salience Labs创始人Harish Bhaskaran说，每家公司都在试图解决潜在的巨大市场中的一个略微不同的部分。他说："这是一个巨大的空间，有足够的空间容纳许多公司。"
自然界的计算
早在20世纪60年代，当科学家们开始研究光学计算时，他们的目标是建立专门用于特定任务的设备。特别是，他们希望利用相干光束通过镜头所形成的图像是输入场的傅里叶变换。被称为光学关联器的设备采用了两个空间光调制器和两个透镜，将输入信号的傅里叶变换与预定的光学滤波器进行比较。这在原则上可以实现目标识别和信号处理，例如用于合成孔径雷达。
已经成立了一些公司来尝试将这种技术商业化。一些公司已经倒闭，而其他公司则在不断发展。2001年，工程师尼克-纽在英国成立了Cambridge Correlators公司，销售用于模式识别的光学关联器。然而，从那时起，他成立了一家名为Optalysys的新公司，用硅光子学和电子学制造产品。这些可编程的芯片将数字信息转换为光域，然后再转换回来，以完成一种非常安全但要求很高的数据加密（见上图）。
虽然Optalysys公司为利用光的自然计算这一公认的方法带来了现代的变化，但其他人也试图制造更通用的光子处理器。在20世纪70年代和80年代，科学家们开始研究相当于晶体管的光学产品。但很快就发现，鉴于光子缺乏相互作用，因此无法进行（非线性）切换，这将是一个多么高的要求。因此，近年来许多成立光子计算公司的研究人员转而专注于一种具体但需求量很大的计算，而且是数字电子学难以完成的计算：矩阵乘法，这是人工神经网络的基础。
神经网络能够识别数据中的某些模式，这要归功于它的许多人工神经元之间的加权链接，这些神经元通常是分层排列的。任何一个神经元的输出都是由上一层神经元的加权输入之和，以及一个非线性激活函数决定的 -- 这种安排在整个网络中不断重复，并使最后一层能够指示输入端是否存在一个指定的模式。
加权输入的总和在数学上表示为一个向量（输入值）和一个矩阵（权重）之间的乘法。对于数字处理器来说，这相当于一长串的乘法和加法，涉及到在存储器和处理器之间以电子的形式沿线来回传送数据。这需要时间并产生热量。专门的人工智能芯片，如谷歌的张量处理单元，通过减少在通用CPU中发生的许多操作，避免从内存中重复提取数据，既节省了时间，也节省了能耗。然而，最终，所有数字电子芯片都受到其冯-诺依曼架构的限制。
瑞士苏黎世IBM公司的电子工程师阿布-塞巴斯蒂安（Abu Sebastian）通过将这种芯片与一个特别高效的神经网络-- 人脑中的神经网络进行比较，强调了这种局限性。他指出，大脑每次突触操作平均只消耗约20瓦和估计1飞焦耳（10-15焦耳）。他说，相比之下，他们连续的数据移动意味着基于冯-诺依曼架构的数字芯片每次操作可能会消耗数百飞焦耳，"即使处理器几乎不消耗能量"。
建设性干扰
光学处理器可以削减矩阵乘法所需的能量，因为光子的非交互作用使它们很适合这种线性代数。然而，直到最近，它们还过于笨重，无法与电子器件竞争。现在，正如Harish Bhaskaran所指出的，它们也可以作为芯片制造，使用类似于制造传统集成电路的CMOS工艺--世界各地的一些代工厂都提供这种制造。他说："整个制造场景已经改变了。这意味着，如果有市场，你就可以制造它。"
最早研究用于光学计算的集成光子学的小组之一是美国麻省理工学院（MIT）的Dirk Englund和Marin Soljačić小组。该小组探索了许多不同的方案，包括由当时的博士后Ryan Hamerly提出的方案，该方案使用一个光学同调探测器将激光脉冲的强度相乘，并使用一个电容器来积累连续乘法的电编码结果。这可以实现低能量的矩阵乘法，但要想实用，它可能需要大量的透镜以及基于芯片的组件。
吸引了最多关注的方案涉及到所谓的马赫-泽恩德干涉仪（MZIs）。这种设备由两个50:50的分光器和一对纳入波导的移相器组成，可以旋转编码为激光脉冲的输入矢量；如果其两个输入和输出通道中的一半被阻断，还可以缩放这些矢量。由于任何矩阵都可以被分解成两个旋转和一个重新缩放的组合，一个合适的MZI网格可以对进入的光脉冲进行矩阵乘法。
该方案被用来实现一个可以识别不同元音的两层神经网络，正如2017年《自然-光子学》论文中所报道的那样。这项工作后来导致了两家独立公司的分拆，两家公司都在波士顿设有办事处，名为Lightmatter和Lightelligence。但是，尽管两家公司都继续开发了以某种方式利用MZIs的芯片，但都没有坚持最初的设计。
同类中的佼佼者
Lightelligence公司成立于2017年，四年后发布了一款名为PACE的芯片，包含约1万个光子设备和一个提供控制和记忆的微电子芯片。联合创始人兼首席技术官孟怀宇解释说，该公司不得不拆散原来的单一MZIs网络，因为要在一个相干的网络中保持非常微妙的相位状态太难。他说，如果任何一个干涉仪发生故障，将 "很难隔离影响"。
Lightelligence公司联合创始人兼首席执行官沈一晨（左）和Lightmatter公司联合创始人兼首席执行官尼古拉斯-哈里斯（右）。来源：D. Sella for MIT Corporate Relations / D. Levy
孟怀宇说，尽管有这种限制，但PACE能够解决一个指数级扩展的 "最大切割问题"，比最先进的GPU快100多倍。该公司计划在2022年底左右推出更强大的芯片（用于图像识别和物体检测）。事实上，在获得了约2亿美元的投资并雇用了约200名员工后，该公司的创始人兼首席执行官沈一晨最近宣称Lightelligence是 "世界上领先的光子计算公司。"
Lightmatter的创始人兼CEO尼古拉斯-哈里斯对此不敢苟同。他对Lightelligence声称已经解决了最大切割问题持怀疑态度，他认为，如果做到了可扩展，"有点像声称你能做到冷核聚变"。他不愿意透露他自己公司的新通用人工智能芯片的任何技术细节，该芯片被称为Envise-beta，只是说设备中的几个MZI实际上并不做任何处理。但他确实说，该芯片包含数百万个光学元件。
上图：Lightelligence公司的光电芯片PACE，于2021年发布。
下图：Lightmatter的通用人工智能芯片Envise，其测试版已在11月的2022年超级计算展上公布。来源：Lightelligence / Lightmatter
据哈里斯介绍，Lightmatter成立于2017年，迄今已雇用了至少100名员工，包括领导谷歌开发张量处理单元的理查德-何。哈里斯补充说，该公司还从顶级风险投资公司筹集了超过1.15亿美元的资金，"更多的资金正在路上"。他声称，该公司的技术是唯一开始与领先的数字芯片的能力相媲美的光子技术。他说："我不知道还有谁接近于做到这一点"。
不仅仅是内存
虽然支撑麻省理工学院这两家新公司的原始工作依赖于光的相位，但其他地方的公司正将其光子计算技术建立在其他波的特性上。例如，从牛津大学分离出来的Salience公司是为了建立利用光的强度变化的神经网络而成立的。为此，它采用了一种相变材料（PCM） -- 这里的"相"不是指光，而是指材料的特性，当材料处于非晶态时比处于晶态时更具透射性。
从大脑的运作中获得灵感，Harish Bhaskaran和牛津大学的同事与德国明斯特大学的Wolfram Pernice及其合作者一起，最初将PCM与波分复用结合起来，创造了一组发射的神经元，据他们报告，这些神经元在2019年被训练为识别字母。但这并不是Harish Bhaskaran将在Salience中利用的方案，他在第二年成立了Salience，将光子版的内存计算商业化，他在2017年从IBM的塞巴斯蒂安的一次演讲中听说了原始电子技术。
塞巴斯蒂安解释说，他研究的关键思想是通过在存储器中进行计算来避免数据移动。这种存储器在电子学中是基于电荷或电阻的，可以代表神经网络中的权重，这样，当数据流经它时，存储器保持固定，从而实现矩阵乘法。这样做的好处是节省了处理时间和能耗，但与数字计算相比，精度上的损失被抵消了。
Bhaskaran、Sebastian、Pernice及其同事最初在2018年使用一个单一的集成光学器件展示了光子内存计算。两年后，他们通过使用定向耦合器将片上光频率梳的复用输出转移到PCM的各个斑块（神经网络的权重），同时进行了64次矩阵乘法。鉴于光子调制的潜在速度，研究人员说这个 "张量核心 "有可能每秒进行2万亿次运算。
据Bhaskaran说，这项工作可能会在2023年底前产生第一个原型张量核心，然后在几年后产生一个商业设备。但他说，他们的小型设备的 "惊人的性能 "是否能在更大的规模上保持，还有待观察。而且他们仍然需要证明他们的处理器是如何与设置其重量的电子装置对接的，因为这两种技术的尺度不同--光的波长为数百纳米，而微芯片中的晶体管往往只有几十纳米长。"他说："这是一个巨大的研究问题，我们正在解决。"
连接问题
将光子学与电子学联系起来的这一棘手问题是几乎所有光子计算机的开发者都面临的问题。总部设在以色列的Cognifiber公司采取了一种新的途径来解决这个问题。它的方案完全放弃了硅光子学，转而采用玻璃，即多芯光纤的形式。其想法是利用核心之间的干扰来模仿多层神经网络中的神经元和突触之间的互动（见 "心理纤维"，上图）。
鉴于将光子处理器与电子世界联系起来的难度，一些公司决定最好不要尝试。这就是总部位于加州的Ayar Labs采取的方法，该公司成立于2015年，旨在实现光互连的商业化。该公司的联合创始人兼首席技术官马克-韦德（Mark Wade）说，他和他的同事们坐下来，得出结论：在处理器之间限制速度、耗费能量的数据移动很可能被证明是比处理器本身的性能更大的瓶颈。
韦德说，Ayar Labs拥有大约1.95亿美元的资金和大约100名员工，现在正准备大规模生产两种光学I/O产品：一种光学 "芯片"，以每秒1兆字节的速度将电信号转换为光脉冲，以及一种连接光纤的激光器来提供光线。这个想法是为了在几十厘米或更远的地方连接元件 -- 跨越给定的电路板，在同一机架上的电路板之间或机架之间 -- 而不是在单片芯片内加强通信。
Ayar Labs首席技术官兼联合创始人马克-韦德（左）和一名工程师在实验室里检查该公司的SuperNova多波长激光源。来源：Ayar Labs
只是说说而已？
预计到2026年底达到全面生产，Wade相信Ayar Labs在不追求光子处理方面做出了正确的选择。他补充说，他的公司并不孤单，并指出其他为开发光子计算机而成立的企业 "正开始转向光学I/O。"
事实上，加州另一家名为Luminous Computing的公司已经改变了策略。该公司拒绝向我们提供任何细节，但其在线营销资料指出，大约三年前，它将重点从光子计算转向芯片到芯片的通信。它现在的目标是建立 "世界上最强大、可扩展的人工智能超级计算机"，通过使用光子技术将电子芯片连接起来，它声称这是一个全新的系统架构。该公司表示，到目前为止，它已经筹集了大约1.25亿美元，组建了一个由100人组成的团队，目前正在寻找另外100人。
同样，现在在美国加州桑尼维尔的NTT研究所工作的Hamerly估计，有"充分的理由对光计算持怀疑态度"，即使它有可能带来比光互连更大的好处。他认为，虽然与量子隧道有关的电子计算的扩展存在基本限制，但对光学元件的最小尺寸的限制（如使用的光的波长和环形谐振器或波导的弯曲半径）仍然更加严重。他说："你永远不可能用光学获得与电子学一样的元件密度。"
事实上，Lightmatter公司和Lightelligence公司除了发布处理器外，还发布了光子互连产品。哈里斯说，尽管他和他的同事创立Lightmatter公司是为了开发光子处理器，但他们意识到，他们 "会碰壁"，无法足够快地将数据输入芯片；因此开发了他们的互连。但他坚持认为光子计算是非常值得追求的，将其描述为比通信 "更难的问题，但影响更大。"
Bhaskaran也很有信心，但很谨慎。他预见到光子学和模拟电子学将在同一芯片上一起使用，以最大限度地提高吞吐量，同时实现规模化。但他说，目前还不清楚是否存在这样的应用，让这些芯片提供比数字电子技术更明显的优势-- 因此，它们是否真的会取得商业成功，"这还有待观察“，他说。
微信公众号 
bilibili 
微信视频号