光子計算或將在不遠的將來顛覆大數據處理等應用

AI對芯片的高算力以及大數據處理的需求，讓馮諾依曼架構的電子芯片面臨著巨大的挑戰。這也讓量子計算、神經擬態計算、光子計算這些前沿技術受到了越來越廣泛的關注。

其實，業界對這些技術的研究都已經有幾十年的歷史，但出于各種因素，至今都還未大規模應用。

光子計算在三種前沿計算技術中關注度較低，不過情況正在改變。準確率接近電子芯片，完成矩陣乘法所用時間可達到最先進電子芯片1/100以內的光子計算芯片，或將在不遠的將來顛覆大數據處理等應用。

光子計算開始引發關注

光纖傳輸已經普及，但同樣使用光子的計算近兩年才開始受到關注。曦智科技聯合創始人兼CEO沈亦晨表示，用光做數據傳輸不是一件新鮮的事情，光纖通信已經成為了業界標準。這反應出用光做數據傳輸無論是成本、能耗還是帶寬都遠優于電子。

“我覺得光通信是實現光子計算的必經之路，從半導體的發展來看，也是先做通信再做計算，兩者最大的不同在于集成度。”沈亦晨表示。

光通信的一個模塊里可能涉及幾十到上百個光學元器件，但光子計算一個芯片就需要成千上萬個光學元器件，這就會帶來體積、封裝、控制等一系列的問題。

所謂光子計算，可以理解為將大量光學器件有序組合起來，其作用類似半導體芯片中的晶體管，利用不同波長，相位和強度的光線組合，在復雜的反射鏡、濾波器以及棱鏡結構所組成的數組中進行信息處理。

理論上，光子芯片規模可以做到很大，也可以做到很小，并且光的特性先天適合線性計算，包含高密度的并行計算。在AI火熱的當下，光子芯片運行矩陣乘法效果有機會比現有電子芯片效果好成百上千倍，吸引了學術界和產業界爭相探索光子計算帶來的機會。

2015年，IBM研究人員發表了針對光子計算的新實驗性技術，把硅光子數組集成到與CPU 相同的封裝尺寸中。

2016年，麻省理工學院的研究團隊與合作研究者提出了使用光子代替電子為理論基礎的計算芯片架構。由于光和透鏡的交互作用過程本身就是一種復雜的計算——傅立葉變換，利用這個原理，使用多光束干涉技術，可以讓干涉結果反應想要的計算結果。

2016年6月，麻省理工學院研究團隊研發出針對深度學習的可編程納米光子處理器在arXiv提出了一份論文，該論文的第一作者及通訊作者正是沈亦晨。該論文最終在2017年發表在《自然-光子學》雜志上。

一年后，英國牛津大學研究人員使用特殊的相變材料與集成光路，模擬人腦的神經突觸作用，由此設計出的“光子突觸”理論運行速度是人腦的千倍。

“2017年發論文時的光子計算設備體積還比較大，主要是因為當時很多器件都是分離式的，直到2019年初，我們把所有與光相關的分立式器件都集成到一個芯片上，體積就縮小了很多。”沈亦晨表示。

沈亦晨創立的曦智科技，正是當下讓光子計算獲得更多關注以及推動光子計算進步不可忽略的力量。

業界首款光子計算芯片原型如何誕生?

前面已經提到，光子計算芯片進行矩陣乘法運算的效果比電子芯片好成百上千倍，因此光子芯片非常適合AI計算。但首先需要解決的問題是，如何將體積龐大的光子計算設備變為更適合規模應用的光子計算芯片?

這就得從光子計算的實現方式說起。沈亦晨介紹，“光子計算實現的方案有很多種，包括空間光、結構光、MEMS、硅光等。我們選擇的硅光方式，是用硅作為光子的載體，利用成熟的半導體工藝，不僅集成度和穩定性高，成本也很低。”

據悉，目前硅光芯片一般選用45-90nm的成熟半導體制程，帶來成本優勢的同時，能夠大幅提升集成度。

“如果用傳統的空間光的方式做光學器件，體積在毫米或者厘米級別。但使用成熟的半導體制程可以讓光學器件的體積縮小到微米級別。”沈亦晨指出。

除了集成度的大幅提升，硅光相比傳統的技術調制解調速率可以從千赫茲或者兆赫茲的級別提升3-4個數量級，也就是調制解調頻率可達每秒十億次甚至百億次。

集成度提升解決光子計算芯片體積挑戰的同時，也帶來了新的挑戰。“我們使用的是硅光的方式，但我們并沒有做光學晶體管，而是用另外一種方式讓光學器件能夠進行交互產生計算。光子芯片的集成度提高之后，如何同時控制上萬個光學器件就是一個難點。” 沈亦晨說。

“另外，更高的集成度也帶來了散熱問題。因為之前沒有人做過，封裝有上萬個光學器件的芯片也是一個比較大的挑戰。而曦智的重要創新在于，讓上萬個光學器件同時可控。”

沈亦晨認為，要把光學器件集成到一個芯片上問題不大，但要讓硅光芯片不僅能運行，還能滿足信噪比等計算需求，就要經過很多次迭代。

而沈亦晨和他的團隊敢為人先，是因為他們走在了光子計算研究的前沿。沈亦晨是數學和物理的背景，在麻省理工學院博士期間，他就覺得將光子計算和AI結合是一個很有趣的方向，并且有很大的潛力。隨著深入的嘗試與探索，他越來越發現這是值得投入更多時間和資源去做的事情。博士畢業后，沈亦晨就和志同道合的朋友開始將研究在產業界進行轉化。

于是，2016年，沈亦晨與麻省理工學院的幾個博士好友，共同創立了全球首家光子計算公司。他們的目標是利用已經擁有的大量自主知識產權以及包括集成光學器件設計、集成光電系統和深度學習算法在內的核心技術推動光子計算芯片的商業化落地。

成立之初，曦智科技團隊就獲得了資本的認可，得到了頂級風險投資機構千萬美元級別的首輪融資。2018年，他們又在上海成立中國團隊，經過兩輪總額達3670萬美元的融資，曦智科技成為了目前全球融資額最高的光子計算創業公司。

到了2019年，沈亦晨的團隊對外宣布成功開發出世界第一款光子計算芯片原型板卡(Prototype)，并通過視頻展示了Prototype運行了Google Tensorflow 自帶的卷積神經網絡模型來處理 MNIST 數據集。這是一個使用計算機視覺識別手寫數字的基準機器學習模型，也是機器學習中最著名的基準數據集之一。

測試中，整個模型超過 95% 的運算在光子芯片上完成，且光子芯片完成矩陣乘法所用的時間可達到最先進的電子芯片的 1/100 以內。

至于最近進展和成果，沈亦晨只表示下一個分享的系統一定會比上一個好很多，具體時間現在還無法透露。

對于曦智科技為什么能夠成為全球最先發布光子計算芯片的公司，沈亦晨解釋說他博士期間的研究就是解決用硅光做高速的累乘計算和開發合適光子計算的算法。而曦智科技的其他創始成員在博士甚至博士之前就在研究利用光子的數據搬運和信號處理。

創始團隊更早研究光子計算和AI的結合，技術和經驗的積累成就了曦智科技的首款光子AI芯片。

但沈亦晨強調，“我們覺得在現在階段，在開始設計時就需要設計一個光電混合的芯片系統，然后從架構的各方面優化整個系統的性能。并不是先設計一個光子芯片，再加上電子芯片。”

硬件有了，軟件將在很大程度影響光子計算芯片能夠拓展的邊界。

光子芯片即將顛覆大數據處理

為了實現更好的大數據計算，軟硬件的融合以及對算法的支持非常重要。沈亦晨表示，“我們的芯片兼容TensorFlow和Caffe等框架的挑戰與數字AI芯片非常接近，因為最后和軟件交互的也是數字芯片。”

算法方面，雷鋒網(公眾號：雷鋒網)了解到，曦智科技的光子芯片現在能夠兼容絕大部分的機器學習算法，同時，他們也會提供一套算法指導，針對他們的光子芯片來專門優化算法，最大程度發揮光子芯片的優勢。

他進一步說，“我們最終要做的是能夠商業化廣泛應用的芯片，所以需要把框架做得更廣一些，希望目標芯片也可以兼容神經網絡之外的一些算法。最近也有一些突破，比如把光子芯片應用于優化處理的問題上，像是材料、藥物研發以及路徑的優化。”

要讓光子芯片在不犧牲性能和精度的前提下兼容性更高，有兩方面的難點：硬件層面需要把信噪比控制得更好，軟件層面需要使用一些精度提升的技術。也就是說，無論是性能還是通用性的提升，都需要系統級的優化，包括光子、電子以及周邊器件的共同優化。

隨之而來的問題是，光子芯片會帶來哪些改變或者說變革?沈亦晨說：“光子芯片整體而言是對電子芯片的補充，在個別場景會是一個顛覆，比如大數據處理以及優化的相關場景。”

服務器和數據中心也正是曦智科技光子芯片落地的首選場景，這是因為數據中心的環境相對可控，并且這一市場會更多地考慮附加值，使光子芯片的算力優勢能夠更好地發揮出來。

雖然沈亦晨沒有透露商用光子芯片的發布時間，但他表示應該不會太久。

當然，想要在數據中心以及大數據處理相關的場景實現顛覆，光子芯片也面臨不少挑戰。“首先是技術上的挑戰，包括集成度的提升、封裝等。其次是軟件生態的挑戰，要讓客戶接受新的軟件。”沈亦晨認為，“客戶對于產品的感興趣程度一定程度上可能也取決于硬件底層架構的優越性，所以和同類數字芯片初創公司相比，我們在底層硬件上的一些不同點，也是我們的機會所在。”

新的機會自然也不會是光子芯片的專屬，量子計算以及神經擬態計算也都是很有前景的技術。沈亦晨說，光計算與量子計算在應用的探索上有部分重疊，競爭肯定會存在，關鍵的是哪一種技術能夠更快更好地解決挑戰。但神經擬態的算法也可以運行在光子芯片上，甚至更適合，所以神經擬態計算和光子計算沒有競爭關系。

雷鋒網小結

作為當下最受關注的技術，AI的應用和發展將給眾多行業帶來顛覆。而AI進步的前提是有性能和能效足夠高的AI芯片。為了能夠滿足AI需求，業界一方面在現有的架構上進行創新，推出更好的數字AI芯片。另一方面，積極探索新的計算技術，包括量子計算、神經擬態計算、光子計算。

雖然光子計算是其中受關注程度最低的，不過隨著以曦智科技為代表的公司在該領域上取得更多突破，光子計算將會獲得更大的關注，與其它技術一起變革對算力需求更高、滿足現有計算技術無法滿足的應用需求。