光学计算是一个创新的技术领域，它利用光来处理信息并解决复杂的数学问题。它的吸引力在于光的速度和平行性，这使得光学计算机能够实时处理大量数据并同时求解多个复杂方程式——比传统的电子计算机效率高得多。
随着摩尔定律的放缓，以及行业寻找后硅时代的替代方案，光计算被视为一种有前途的替代方案，目前正在进行重要的新研究和开发。
然而，使用光进行计算并不是一项简单的任务;即使在 20 世纪中叶，当研究人员对电子计算的潜力感到兴奋时，他们也对其光学对应物持怀疑态度。在这个由两部分组成的系列中，我将探讨光计算的历史，重点介绍从该技术诞生到现在的关键发展、挑战和应用。
1960 年代：光处理器的诞生
光学可以追溯到古代文明，例如埃及人和美索不达米亚人，他们可能早在公元前 700 年就开发了基本的镜片。例如，在现代伊拉克发现的 Nimrud 镜头可追溯到大约公元前 750-710 年，被认为是已知最早的镜头之一，尽管它的确切用途（无论是用于放大、生火还是纯粹的装饰）仍不确定。
1960 年之前，光学元件主要用于望远镜、显微镜和照相机等设备的成像。那一年，激光的发现改变了一切。突然之间，研究人员可以使用相干的高功率光，这些光可用于简单成像之外的更复杂的作。
阿基米德通常被认为发明了一种大型太阳能炉，有时被描述为热射线，据说在锡拉丘兹围城战（约公元前 213-212 年）期间用于燃烧进攻的罗马船只。虽然这种装置在历史轶事中很受欢迎，但这种装置的可行性仍存在争议，现代实验无法最终验证其成功。（来源：Giulio Parigi/Public Domain）
当研究人员发现镜头和滤光片可以执行傅里叶变换时，光学信息处理的概念才真正开始形成，傅里叶变换是一种将信号或波分离成单个频率的数学运算。分析构成复杂波或信号的不同元素的能力对于音频处理、图像分析、对象检测甚至解决与波形相关的数学问题等任务非常有用。
今天，快速傅里叶变换是最重要的算法之一，一代又一代的工程和科学学生已经学习并在标准课程中应用了这种算法。然而，在 1960 年代，数字计算机的功能不足以执行这一壮举，因此光学突破是一项重大发展，为第一代被称为光学傅里叶处理器的光学计算设备奠定了基础。
这些系统使用透镜和光的物理特性来执行傅里叶变换，以及用于卷积的光传播。这包括将激光穿过掩模（一种影响光线通过或反射的图案化光学元件）以执行卷积运算，该运算通常用于图像和信号处理。这些方法在早期的光学处理器中是必不可少的，这些处理器执行特定的计算，例如检测图像中的对象。
早期光处理器的架构由三个平面组成：
输入平面，其中数据从数字形式转换为光学形式。
处理平面，它使用掩码进行计算。
输出平面，结果被转换回数字形式（即相机）。
（来源：LightSolver）
光学傅里叶处理器的主要优点是效率：研究人员可以通过它传递许多图像，比人类查看它们的速度要快得多。然而，它主要用于学术研究和军事目的，因为它有严重的局限性，包括与数字同类产品相比缺乏灵活性和适应性。
例如，当用于检测从飞机拍摄的雷达图像中的敌机等物体时，每当军方想要寻找不同的物体（甚至是不同尺寸或不同角度的飞机）时，处理器都需要构建一个全新的掩码。因此，光学傅里叶处理器在实际应用中几乎毫无用处。
数字计算机的兴起使第一代光学处理器变得多余。数字处理更加灵活，允许用户更改几行代码以支持无数需求，而不是花费大量时间构建多个掩码。
1970 年代：空间光调制器开启了光学计算的未来
1970 年代，空间光调制器 （SLM） 的发明带来了重大进步，这是一种可以非常精确地控制光的装置。它可以创建光图案，改变光的聚焦方式，甚至使激光束以特定模式移动。最重要的是，与早期光处理器中使用的掩模不同，SLM 是可编程的，为光计算机提供了它们所缺乏的灵活性。
SLM 对于当今光学计算的大多数进步都至关重要。然而，早期的 SLM 在速度、准确性、尺寸和经济性方面受到限制，使其不如数字计算机有效。尽管如此，这些早期发展为未来技术奠定了基础，这些技术将充分利用纵电子设备光的能力。
1980 年代：光学神经网络
在 1980 年代，研究人员开始探索通过模拟大脑工作方式的神经网络进行计算。光固有的并行性似乎非常适合实现这些模型，因为它们可以同时处理大型数据数组。因此，光学系统被用来创建一些最早的神经网络。
尽管理论基础前景光明，但光学神经网络的实际应用受到早期光学系统的大小和功能的限制。该领域在很大程度上仍处于实验阶段，早期模型显示出潜力，但落后于数字计算机日益增长的功能。
1980-2004 年：黄金时代
1980 年至 2004 年期间通常被认为是光学计算的“黄金时代”，以重要的学术研究和众多创新为标志。在此期间，利用 SLM 技术的进步和光计算的理论创新，开发了几种光学处理器。其中一些处理器仍留在实验室中，而另一些则针对实际应用进行了测试。
在 SLM 领域，最初为 LCD 和类似显示器开发的液晶方法已成功部署用于调制光以执行数学运算。这种方法为光学计算提供了更接近数字计算机的新灵活性，并且至今仍在使用。
受益于改进的 SLM 技术的关键领域之一是光学矢量矩阵乘法 （VMM）。它最初在 1960 年代和 1970 年代被发现和试验，它引入了一个全新的光学计算概念，它不依赖于傅里叶变换。新一代 SLM 使执行此类作的速度比那个时代的电子系统快得多。少数先驱初创公司构建了光学 VMM 处理器，旨在加速信号处理、神经网络计算和密码学等应用。然而，由于光学系统与现有数字基础设施集成的复杂性，以及同期电子计算的快速发展，他们在扩展和商业化其技术方面面临困难。
总之，“黄金时代”见证了许多创新的诞生，这些创新为我们今天看到的有前途的光学计算发展奠定了基础。在技术层面，在此期间缺乏实际实施主要可归因于两个问题：光学和数字形式之间的输入和输出转换速度慢（基本上抵消了光学速度优势）和模拟计算与数字方法相比的灵活性限制。
然而，光学傅里叶变换和 VMM 是这一时期提炼的两个概念，它们将继续成为当前时期第一代可行光学处理器的核心。
光学（或光子）计算因其在彻底改变数据处理和解决与高性能计算 （HPC） 相关的能源挑战方面的潜力而受到越来越多的关注。虽然光子计算供应商每周都会宣布融资，但有些人可能想知道我们在商业化和实际应用和结果方面的立场。
下面，我将探讨当今光计算的现状，重点介绍有前景的发展和现有的挑战。
为什么光学计算如此吸引人？
从本质上讲，光学计算有望利用光而不是电力来执行计算。与传统计算相比，这种转变可以提供更高的速度。以更快的速度同时处理大量数据的能力有望在 AI、大数据分析、计算机模拟和其他高性能计算应用领域改变游戏规则。
此外，光子以最小的电阻和能量损失穿过材料，而电子会散热并最终需要大量冷却，这使得光计算成为一种节能的计算替代方案。
然而，尽管取得了令人鼓舞的进步，但该技术在扩展到实际商业应用方面仍然面临重大障碍，这主要是因为需要为基于光的流程重新设计计算架构和接口。与依赖电子芯片的传统计算机不同，光学计算机涉及完全不同的物理原理。
虽然数十年的研发推动了电子计算向前发展，但光学计算仍处于早期阶段。然而，它正在走向成熟，并因对新的、更高效的计算范式的深入探索而加速。
光计算可以解决哪些问题？
让我们首先看一下光处理器可以“大放异彩”的问题类型。光学系统可以很好地解决两种主要类型的数学运算：
基于傅里叶变换的运算：这些方法包括傅里叶变换、卷积和相关，这对于信号处理、图像过滤、模式识别和光信号分析等任务至关重要。由于透镜的傅里叶变换特性，光学系统在这些领域表现出色，可实现高效和并行处理。
基于向量矩阵乘法 （VMM） 的运算：这些作是机器学习、神经网络和图形学的核心，在很大程度上依赖于大规模矩阵计算。由于光学系统可以并行处理数据，因此它们在 VMM 方面表现出色，是训练神经网络的理想选择。此外，光学方法可以有效地处理矩阵反转，这是优化问题和 AI 模型中的关键作。
光计算系统并非通常能够处理所有作，因此研究人员正在为特定应用开发专用处理器，就像定制芯片（专用集成电路或 ASIC）专为视频处理或通信等任务而设计一样。
正在探索哪些应用程序？
光计算正在多个领域进行探索，包括：
光学神经网络：从本质上讲，人工神经网络是模拟的天作之合，光学平台本身就擅长执行图像识别和自然语言处理等任务所需的密集计算。各种初创公司正在部署一系列方法（下文将进一步讨论）来构建神经网络和 AI 处理器。这些技术包括硅光子学领域的 Lightmatter 和 Lightelligence、多芯光纤系统中的 Cognifiber 和自由空间光学 （FSO） 中的 Lumai。
涉及大量迭代的 HPC 应用程序：组合优化和模拟等计算需要大量迭代才能获得精确的结果。在这里，光的固有并行性有助于减少计算时间和功耗。该领域的解决方案包括：LightSolver 的全光 FSO 处理器、Microsoft 的混合电光 FSO 机器和 NTT 的利用光纤的相干 Ising 机器 （CIM）。
量子计算：在寻找实用量子比特的过程中，光子因其对环境噪声的抵抗力和在室温下运行的能力而成为强有力的候选者。PsyQuantum、Xanadu 和 QuantumSource 等公司正在积极开发基于光子的量子计算机。这些系统利用光子的独特特性来实现可扩展和高效的量子处理，尽管损失、弱相互作用和可扩展性等挑战仍然是关键障碍。
光学计算机是如何构建的？
现在，让我们来看看用于构建这些新型光学处理器的方法。大多数方法利用光的并行性，并在空间域中编码和处理信息，以本地执行傅里叶变换或 VMM。然而，一些系统在时间域中工作以进行串行作，其中光的特性提供了比电子串行处理更快的速度优势。
光学介质：
自由空间光学器件 （FSO）：最古老的光学计算形式使用穿过空气或真空的光束来处理信息。从较小的“盒子”到机架单元，FSO 系统依靠镜头、空间光调制器和掩模等组件来纵光线。虽然多功能且高度灵活，但当前的 FSO 系统在可扩展性和集成性方面面临挑战。但是，正在进行工程工作以使这些系统产品化并使其成熟。
光子芯片：光子芯片集成了激光器、分束器和干涉仪等小型光学元件。这些芯片在速度和紧凑性方面表现出色，但受到二维布局的阻碍，这限制了它们可以执行的计算大小。扩大规模并处理更复杂任务的唯一方法是连接多个芯片，但这种方法会导致严重的信号损失。如果光子芯片行业真的想实现实际应用，就必须开发能够克服效率挑战的新一代组件。一种可能性涉及对硅以外的材料的探索和开发。例如，已经有很好的铌酸锂实验。
光纤系统：这些系统在光纤中使用引导光，利用光纤通信的成熟基础进行高级计算。纤维中的非线性效应可实现复杂的计算，并为优化和 AI 任务开辟了新的机会。例如，CIM 利用光纤在闭环中以串行方式生成和纵光脉冲。不幸的是，它还依赖电子元件进行交互，这可能会限制速度。另一种创新方法来自 Cognifiber，它采用多芯光纤，这是一种支持并行计算的设计。
开环或闭环系统：
开放系统：以开环方式处理光的系统利用了光在空间或沿引导路径自由传播的能力，而无需反馈机制。开环系统适用于光学神经网络和量子计算等应用。
封闭系统：闭环系统包含反馈机制，以迭代方式优化计算。这些系统在优化和仿真等应用中表现出色。它们进一步分为：
混合电光系统：混合系统结合了光学和电子元件，利用了这两个领域的优势。例如，CIM 生成光脉冲来表示变量，但这些脉冲之间的相互作用是使用 FPGA 以电子方式计算的。相比之下，Microsoft 的 Analog Iterative Machine 则采取了相反的方法，它以光学方式执行交互，同时使用电子元件进行闭环和反馈。这两个系统都体现了将光学和电子域相结合的有前途的方法，但存在相同的致命弱点：光到电到光 （OEO） 的转换抵消了光速度优势。
全光学系统：这些系统在光域内执行所有计算，最大限度地提高速度和能效。它们非常适合需要密集并行处理的任务，例如组合优化和迭代仿真。在商业领域，LightSolver 目前是该领域的唯一公司。
未来会怎样？
随着行业挑战需要后硅计算范式，光计算正在成为一种有前途的替代方案。可以想象，有一天它可能会变得与电子同类产品一样强大，甚至更强大。新材料显示出前景，并且正在进一步研究具有更高效率的组件。
此时，全光学 FSO 处理器显示出近期可行性的最大前景。然而，如果研究人员能够加速 OEO 转换，那么从长远来看，混合 FSO 可能会成为一个强有力的竞争者。从中期来看，可以通过结合空间和时间处理来实现突破，将两种方法的优点结合成一个强大的新范式。
光学计算仍处于早期阶段，面临一定的挑战，但这是一个具有巨大潜力的迷人领域。今天的研究将为新一代更快、更高效的计算机铺平道路。从 AI 和模拟到量子计算，创新的机会是巨大的。
本文来自EETimes
作者介绍：Chene Tradonsky 博士是一位物理学家，也是 LightSolver 的首席技术官兼联合创始人。Chene 在发明了第一个基于激光的纯激光处理单元 （LPU） 后，于 2020 年与 Ruti Ben Shlomi 博士一起创立了 LightSolver。
