当前，人工智能（AI）训练等复杂任务的规模持续扩大，各行各业对算力提升的需求与日俱增。而传统电子计算架构受到“冯·诺依曼瓶颈”等问题限制，量子计算目前又处于发展初期。在这样的背景下，用光而非电来处理数据的光计算技术应运而生，并逐渐崭露头角。
世界经济论坛官网日前在一篇报道中指出，近年来，光计算呈现加速发展趋势。部分技术路线发展迅猛，正逐步走出实验室，迈向产业化应用，未来有望在智算中心、新材料研发等多领域应用中大放异彩。
光计算优势显著
光是一种传播极快、信息维度丰富且能耗极低的物理媒介。光计算以光子替代电子作为计算载体，与传统的电子计算相比，拥有更多优势。首先，光具有波长、相位、振幅、偏振和波导模式等多个物理维度，天然支持并行计算，因此光子器件特别适用于科学计算、机器学习等高密集型任务。其次，光子运行几乎不产生热量，能耗优势显著。三是光子器件具备更宽的带宽，在处理宽带模拟信号时性能远超电子器件。四是光学器件在运算速度方面表现出色，响应迅捷，几乎无延时，显著提升计算时效。
光计算充分利用了光在速度与效率上的天然优势，有望为当前的计算范式带来革命性突破。
不同架构各有千秋
当前，光计算技术领域已涌现出多种架构，它们各有优劣。
自由空间光学（FSO）是最早出现的光计算形式。FSO系统借助透镜、空间光调制器和光掩模等元件，在空气或真空中对光进行操控以处理信息。
FSO在走向实用化过程中面临的关键挑战之一在于提升系统的耐用性与可靠性。这要求科学家进一步优化光机械工程，例如集成固态光学模块、内置空间光调制器（SLM）或采用光子超材料。目前用于调控光路的SLM响应速度远低于电子器件，不过，新一代更快、更高分辨率的调制器已在研发中，有望取得突破。
光子芯片则整合了激光器、分束器、干涉仪等微型光学元件，可便捷地融入现有电子架构。该技术路线虽发展迅速，但多数方案难以扩展至更复杂的计算任务。一些公司另辟蹊径，从研制全光学AI芯片转向开发光学互连设备（利用光在电子组件间高速传输数据）。这一路径依赖新材料与新器件的创新，以降低信号损耗、提升计算精度。铌酸锂在早期实验中已展现出良好的应用前景。
光纤系统则依托成熟的光纤通信基础设施，借助光纤中的导光实现复杂计算，尤其适用于求解优化问题和人工智能中的难题。一个典型例子是“相干伊辛机”，其可通过光纤环路发送光脉冲以执行运算。遗憾的是，它的关键功能仍依赖电子设备实现，为此不得不频繁进行光—电转换，导致计算速度大幅下降。未来该系统或转向基于芯片的架构，以提升集成度和可扩展性。
此外，也有科学家正在开发多芯特种光纤，以借助不同纤芯同步处理多项计算，但这类多芯光纤系统多数仍处于实验室研究阶段。
技术瓶颈亟待突破
目前，光计算发展正值关键窗口期。在全球对更快、更环保、更强算力的迫切需求下，光计算系统提供了一种新的可能——既能与传统硅基系统互补，也有望在部分场景中实现超越。
短期内，全光学自由空间系统似乎最具可行性，而融合光与电的混合系统也大有可为，集计算与存储于一体的“内存计算”架构也极具潜力。
从中期看，结合空间与时间维度的新型处理架构，或将表现出更卓越的性能与能效。
尽管光计算发展势头强劲，但在走向商业化应用之前，仍有一些技术瓶颈亟待突破。
首先是精度与稳定性问题。鉴于光学系统易受元件错位、温度波动或信号随机噪声的干扰，目前研究人员正通过闭环反馈系统、实时自动校准等技术提升其抗干扰能力。
光学数据的存储也是一大难题。针对这一点，基于光学腔的系统或可彻底避免数据在处理器与内存之间迁移产生的损耗。
集成与封装方面同样存在挑战。但3D封装技术和新材料的创新，或许能提升可扩展性并降低成本。
道正网提示：文章来自网络，不代表本站观点。
