本文来自微信公众号“半导体行业观察”，作者/L晨光。
近几十年以来，微电子技术与电子芯片产业遵循着摩尔定律不断发展，随着传统制程工艺逼近极限，电子芯片在进一步提升计算速度和降低功耗方面的技术突破，面临难以解决的瓶颈。在后摩尔时代，光芯片这一颠覆性技术被视为破局的关键。
光芯片，难觅用武之地？
实际上，光芯片很早就有，已经很成熟，比如2000年前后的海底光缆，光通讯两端的收发模块都是光子芯片，甚至在上课或开会时用的激光笔，里面也有激光器芯片，也是一种光子芯片。
但这些是不可编程的光学线性计算单元，所以无法运用于计算领域。要想通过光来提升算力，具有实用价值的计算单元就必须具备可编程性。
而针对光计算的研究也很早就开始了，始于20世纪60年代，但受到当时应用范围有限以及电子计算技术快速发展的影响，光计算处理器未能成功迈向商用。
直到最近10年，这种光计算芯片才逐渐取得突破性进展。
尤其是在当前时代，AI应用正推动对算力的需求，光芯片作为重要的潜在颠覆性技术路径，光计算芯片近年来又重新受到广泛关注。
光芯片的核心是用波导来代替电芯片的铜导线，来做芯片和板卡上的信号传输，其实就是换了一种介质。当光在波导里面传输的时候，波导和波导之间出现光信号干涉，用这个物理过程来模拟线性计算这一类的计算过程，即通过光在传播和相互作用之中的信息变化来进行计算。
与最先进的电子神经网络架构及数字电子系统相比，光子计算架构在速度、带宽和能效上优势突出。因此，光子计算能够有效突破传统电子器件的性能瓶颈，满足高速、低功耗通信和计算的需求。
片上光子计算处理示意图
（图源：SEMI半导体研究院）
需要指出的是，光子计算的发展目标不是要取代传统计算机，而是要辅助已有计算技术在基础物理研究、非线性规划、机器学习加速和智能信号处理等应用场景更高效地实现低延迟、大带宽和低能耗。
硅光计算芯片通过在单个芯片上集成多种光子器件实现了更高的集成度，还能兼容现有半导体制造工艺，降低成本，解决后摩尔时代AI硬件的性能需求，突破冯·诺依曼架构的速度和功耗瓶颈。
综合来看，光芯片的优势可以总结为：速度快/低延迟、低能耗、擅长AI矩阵计算等。
速度快/低延迟：光计算芯片最显著的优势是速度快、延迟低，在芯片尺寸的厘米尺度上，这个延迟时间是纳秒级，且这个延迟与矩阵的尺寸几乎无关，在尺寸较大的情况下，光子矩阵计算的延迟优势非常明显。
低能耗：镜片折射本身是不需要能量的，是一个被动过程。在实际应用中，由于要对计算系统编程，其中光信号的产生和接收是需要耗能的。在光学器件和其控制电路被较好地优化前提下，基于相对传统制程的光子计算的能效比，可媲美甚至超越先进制程的数字芯片。
擅长矩阵运算：光波的频率、波长、偏振态和相位等信息可以代表不同数据，且光路在交叉传输时互不干扰，比如两束手电筒的光束交叉时，会穿过对方光束形成“X”型，并不会互相干扰。这些特性使光子更擅长做矩阵计算，而AI大模型90%的计算任务都是矩阵计算。
因此，光计算芯片在AI时代迎来新的用武之地。
光芯片迎来突破性进展
光计算芯片可对神经网络训练和推理过程中的大规模矩阵运算、神经元非线性运算进行加速，还可通过对不同神经网络的拓扑结构进行硬件结构映射，来提高芯片的通用性和灵活性。
据了解，在人工神经网络计算加速方面，基于硅光平台的神经网络已取得多项进展。2016年，首个光学计算系统问世，极大地推动了集成光学在未来取代传统电子计算芯片的发展，开创了光子AI计算领域发展的先河。
2.1超高速光电计算芯片，算力超3000倍
研究人员创造性地提出了一种“挣脱”摩尔定律的全新计算架构：光电模拟芯片（ACCEL）。从最本质的物理原理出发，结合了基于电磁波空间传播的光计算，与基于基尔霍夫定律的纯模拟电子计算，“挣脱”传统芯片架构中数据转换速度、精度与功耗相互制约的物理瓶颈，在一枚芯片上突破大规模计算单元集成、高效非线性、高速光电接口三个国际难题。在保证高任务性能的同时，还实现超高的计算能效和计算速度。
光电计算芯片ACCEL的计算原理和芯片架构
（来源：Nature）
实测表现下，ACCEL光电融合芯片的系统级算力较现有的高性能芯片架构提升了数千倍。然而，这还只是这枚芯片诸多优势的其中之一。
其系统级能效是现有高性能芯片的四百万余倍。形象来说，原本供现有芯片工作一小时的电量，可供它工作五百多年。
此外，在超低功耗下运行的ACCEL有助于大幅度改善发热问题，对于芯片的未来设计带来全方位突破，并为超高速物理观测提供算力基础。
更进一步，该芯片光学部分的加工最小线宽仅采用百纳米级，而电路部分仅采用180nm CMOS工艺，已取得比7nm制程的高性能芯片多个数量级的性能提升。同时所使用的材料简单易得，造价仅为后者的几十分之一。
2.2新型芯片开启光速AI计算之门
研究人员开发了一种新型芯片，它使用光而不是电来执行训练AI所必需的复杂数学运算。该芯片有可能从根本上加快计算机的处理速度，同时还可降低能源消耗。
该芯片首次将本杰明·富兰克林奖章获得者纳德·恩赫塔在纳米尺度上操纵材料的开创性研究与硅光子(SiPh)平台结合起来。前者涉及利用光进行数学计算，后者使用的是硅。
光波与物质的相互作用代表着开发计算机的一种可能途径，这种方法不受当今芯片局限性的限制。新型芯片的原理本质上与20世纪60年代计算革命初期芯片的原理相同。
研究人员解释说，他们可将硅晶片做得更薄，比如150纳米，并且使用高度不均匀的硅晶片，在无需添加任何其他材料的情况下，这些高度的变化提供了一种控制光在芯片中传播的方法，因为高度的变化可导致光以特定的模式散射，从而允许芯片以光速进行数学计算。但这仅限于特定领域。
除了更快的速度和更少的能耗之外，新型芯片还具有隐私优势。由于许多计算可同时进行，因此无需在计算机的工作内存中存储敏感信息，从而使采用此类技术的未来计算机几乎无法被入侵。
2.3逆向设计高集成度光计算芯片
逆向设计高集成度光子集成器件是近年来的前沿热点研究方向。
传统的逆向设计过程中，光场仿真时间随器件面积指数级增长，这限制了器件的设计面积与矩阵计算维度。
为了解决这个问题，研究人员提出一种压缩光场仿真时间的方法——p2DEIA，基于光传播的二维有效折射率近似，能够大幅缩减逆向设计仿真时间，突破传统方法在器件面积上的限制，从而设计大矩阵维度的光学向量-矩阵乘法芯片。
此外，由于p2DEIA方法对折射率的约束，该芯片具有无定形透镜型结构，可以避免谐振特征引起的窄带宽和制造误差敏感性，这在实现大规模集成的光计算芯片中发挥关键作用。
(a)：p2DEIA方法示意图；
(b)：无定型透镜结构示意图
相关研究人员利用该方法，突破了仿真成本造成的逆向设计面积瓶颈，并成功设计了3种向量-矩阵乘法器芯片，矩阵维度分别是2×2、3×3和10×10，并进行了相关器件测试。实验结果表明，该乘法器的实测性能与仿真性能非常接近，这为实现大规模集成的光计算芯片提供了新的方法和思路。
向量-矩阵乘法器设计示意图
2.4中科院成功研制出光计算芯片
据报道，中科院李明研究员和祝宁华院士团队也成功研制出光计算芯片。
目前而言，绝大多数传统芯片都是基于冯·诺依曼计算范式的电子芯片。但电子芯片存在的能耗较高、容易发热等一些问题始终无法解决，而且在计算时还会出现数据潮汐的传输问题。当电子数据如同海潮一般袭来，数据接收和处理端自然会有点“手忙脚乱”，影响其性能。
然而，光计算则不同。
光芯片利用光波作为载体进行信息处理，具有低延时、低功耗、大带宽等诸多优点，这是一种“传输即计算，结构即功能”的计算架构，有望避免冯·诺依曼计算范式中出现的数据潮汐传输问题。
尤其是在人工智能领域，经常需要处理大规模的数据和执行庞杂的计算任务，因此需要强大的计算能力和高速的数据传输能力。
对此，中国科学院研制出一款超高集成度光学卷积处理器，成功突破了“光计算”技术的壁垒。这款芯片的运算速度很快，同时，功耗比传统的AI芯片功耗要低很多，关键是不需要使用高端光刻机就可以完成生产。
基于这种技术，光芯片性能再次提升，而一旦这种技术应用于AI领域，能实现对现有AI芯片的颠覆，其速度可能不只是快1.5倍-10倍，可能会更快，应用空间广阔。
潜力之下，光芯片挑战尚在
虽然提到了很多优势，但光芯片作为一项前沿技术，必然有很多挑战有待克服。
3.1工艺挑战
由于要用于复杂计算，光器件的数量必然会很多，要达到不错的性能至少需要上万个，这会带来更复杂的结构和更大的尺寸。为了实现可编程，必然要对每个器件进行控制，也会要求高集成度和一些Knowhow积累。这些要求会产生一些工艺上的挑战，同时导致成本很高，以及整体稳定性、生产良率都有挑战，所以必须找到一种低成本、高良率的方法，来控制大量光器件的技术。
3.2温度难题
因为是模拟计算，当整个环境温度对电芯片产生影响的时候，对光信号也会产生扰动，影响计算精度。有一种办法是把整个芯片放在恒温环境下，通过温控电路来实现。但这反过来会牺牲一些光计算的低能耗优势。此外，对于温度控制，还包括芯片内部发热，导致对周边器件的影响问题。
写在最后
光子计算提供了一条超越摩尔定律的算力提升路径。虽然光计算还没有完全落地，但硅光芯片每个产业链环节的全面性，是光计算芯片量产的前提。
这是一个全新的赛道，“超越摩尔定律”也是一个激动人心的口号，但几乎没有前路可以借鉴，开拓者们正在披荆斩棘，技术挑战与风险并存。但唯一可以确定的是，人类社会对提升算力的追求，正比以往任何一个时刻都更加迫切。
参考链接
[1]经纬创投：英伟达暴涨、ChatGPT浪潮下，一条超越摩尔定律的算力提升路径——光计算芯片
[2]科技日报：新型芯片开启光速AI计算之门
[3]与非网：突破摩尔定律限制，光子计算是实现超级算力的归途
[4]DeepTech深科技：清华团队研发光电融合芯片，算力是商用GPU的3000余倍，推动构建生态友好的AI计算框架
