简介

过去六十年里，摩尔定律面临过多次挑战，但半导体工程师总能找到突破，让芯片上的晶体管密度继续翻倍。然而，这背后的成本却在飙升。历来，缩小晶体管尺寸有助于提高芯片的运行速度。目前，制造商已能在硅芯片上形成仅有几个原子厚的微结构。但鉴于物理的极限，这些微结构无法无限缩小，虽然降温或降低电压等方法也能提速，但这些手段由于物理壁垒，限制了处理器速度的进一步提升。随着人工智能等技术的兴起，对提升计算能力的要求日益增长，同时，对于提升计算性能并降低能耗的需求也日益增强。

电子技术的发展面临着物理限制，而用户对计算能力的需求却在日渐增长。硅基光电子技术在这一矛盾中显现出其潜在的解决之道。我们已经见证了光纤取代铜线，为家庭互联网速度的飞跃提供了可能。光波频率远高于电子信号，意味着更高的数据传输速率。而且，光波能够叠加，即不同波长的信号能在同一光纤中同时传输，大大提升了传输效率。光电技术的发展已达到工业规模，以光学收发器为核心，这类设备能够同时发送和接收光信号。市面上现有的400G光学收发器能传输400 Gb/s的数据，800G型号也已面市。值得一提的是，400G设备的处理速度是普通办公电脑CPU的百倍。
在当下的数据中心，收发器是连接服务器或机架的关键，传输速度直接关系到整体性能。目前的限制在于，一旦数据信号进入服务器的电路板，就失去了光纤传输的优势，进而转向电子传输。如果能让光子信号更接近CPU和GPU，那么数据中心就能同时在速度和能效上取得突破。

然而，制造和管理光子数据链路要比传统电子数据链路复杂得多。光连接依赖于波导、镜子和耦合方案，这些都极易受到对准误差的影响。对准不当或耦合不良会导致信号损失，这是集成光子技术面临的一大挑战。

这些光子元件的集成通常采用半导体行业的CMOS制造工艺，但由于硅本身不发光，集成光子学解决方案需引入如铟磷、氮化硅等非传统材料来实现光学功能。目前也在探索使用玻璃等替代材料作为基板。英特尔针对玻璃作为芯片基板材料的研究，将Srinivas Pietambaram评为2023年度发明家，玻璃基板的使用预计将大幅提升互连密度和集成光互连的能力 [1]。

已经商业化的光 I/O 芯片

目前，将光信号高效地引入到板级和芯片级面临诸多挑战，这限制了此类架构的广泛应用。然而，随着技术进步，这一状况正在改变。硅谷初创公司Ayar Labs开发的TeraPHY芯片，是一款用于封装内光输入/输出的芯片，它在GlobalFoundries的45纳米工艺线上生产。该公司宣布，其芯片能以前所未有的低功耗（<<>5pJ/b）实现高达数十Tbps的带宽，覆盖距离可达2公里，展现了光电技术在提高传输效率和降低能耗方面的巨大潜力。

 

图1展示了如何将光 I/O 芯片与电子芯片集成到同一封装中的一个实例，展示了光电技术在系统集成方面的进步 [1]。

Ayar Labs采取了将敏感的激光二极管（实际的光源）与I/O芯片及其产热的系统芯片（SoCs）分离的设计，以优化系统的热管理和性能（图2）。

 

图2 Ayar Labs公司多波长SuperNova远程光源与其TeraPHY光输入/输出（I/O）芯片（发送端Tx）的示意图，通过光纤将信号发送至接收I/O芯片（接收端Rx）。图片来源：Ayar Labs

光源能够发射多达16种波长，支持256个通道的光输出，拥有4Tbps的双向带宽容量，而体积仅相当于智能手机SIM卡，展现了光源设计的高度集成和效率。

Ayar Labs最新展示的光场可编程门阵列（FPGA），将两个光 I/O 芯片与10纳米级FPGA织物芯片相结合，展现了光电技术在高性能计算领域的应用前景。该设备通过两个SuperNova光源提供动力，支持64个光通道，实现了在极低的功耗（<5pj>

光计算机：模拟的未来

迄今为止的讨论展示了硅基光电子技术如何加速芯片间的数据传输。接下来的问题是，硅基光电子技术是否能够承担起核心处理任务。

一旦数据信号进入服务器的电路板，就会失去光纤的优势，转而采用电子传输方式。如果能将光子信号引入到CPU和GPU更近的位置，那么数据中心将在速度和能效上实现双重突破。

这一挑战涉及到光子与电子的根本物理特性的差异。电子带有电荷，因此可以存储在电容器中。当电子移动时，它们会产生电磁场，对周围的电子产生影响。电子流可以用来控制另一电子流，这正是晶体管的工作原理。关键是，电子在移动过程中会损失能量，以热的形式散发出去。

而光子不受电磁场影响——它们没有质量、没有电荷，且永远在运动中——因此没有光学电容器或晶体管。因此，构建基于光子的数字计算机不是一件简单的事。

因此，人们开始考虑使用光子构建模拟计算机。模拟计算机与我们熟悉的数字系统完全不同，它们专注于执行单一任务，并且是实时进行的。例如，一个棱镜就能实时完成对光束的傅里叶变换，将白光信号转换为空间分离的光谱，其精确度取决于探测器而非棱镜本身。

 

图3展示了一个更复杂的模拟计算机示例，其中一个圆形的相干激光束通过两个衍射光学元件（DOEs），经过不同相位延迟处理后形成全新的光束形状，如同蝴蝶般独特 [1]。

这种光束成型展示了通过光学配置来执行单一功能的模拟计算能力。在实际应用中，这一技术可用于激光制造过程的光束轮廓调整。从数学角度看，DOEs通过其相位延迟像素与相应光束的矩阵乘法操作，模拟了神经网络的工作原理，其中每个像素的相位变化相当于神经网络中每个节点的权重，而DOEs则相当于网络的各个层级。

这种操作方式类似于通过神经网络处理信号，本质上是对每层神经元进行一系列数学运算。机器学习算法帮助确定节点权重，以便神经网络的输出与预定目标最佳匹配。

这种光束成型的配置实际上是一种模拟计算机，专门执行单一任务。输入到输出的转换时间仅为光通过系统的时间。将静态DOEs替换为动态空间光调制器（SLMs）可以用于开发任务或优化过程。一旦通过机器学习确定了权重（即SLM上每点的相位延迟），模拟计算机便可投入运行。这种配置在神经网络应用中非常典型，比如工业图像识别和大型语言模型（如ChatGPT）等。尽管光束在相位掩模中的处理在视觉上引人注目，并且在激光材料加工中有应用，但要将其缩小到桌面计算机的规模仍面临挑战。要实现真正的光计算机，我们需要采取不同的方法。

真正的光计算机

光电子技术在提高处理速度和传输速率方面的潜力如此明显，以至于科学家们在20世纪80年代就开始预言光计算机的到来。尽管贝尔实验室的尝试未能成功创造出光晶体管，但这并不意味着尽头。问题在于，光子之间不相互作用。

20世纪90年代，基于两个相干光波干涉的方法逐渐发展起来。这意味着，它们的场可以相加或相互抵消。这一效应取决于每个波相对于另一个波的相位，可以通过电光调制器来控制。Mach-Zehnder干涉仪（MZI）成为了大多数现代光计算系统中的基本单元或电路。在这些电路中，两个光波可以结合，并且可以通过相移器对每个波施加相位延迟（取决于可调节的电信号）。这种相位变化充当了光信号和电信号之间的乘法运算。

通过MZI阵列可以在光信号和施加到所有相移器的2D电信号之间进行矩阵乘法，这一点在21世纪初就已实现。这种设置几乎没有信号损失，因此提供了高能效，并且即使在一个芯片上集成了许多MZI的高度集成版本中也只产生了低废热。在2010年之后的十年里，MIT的量子光子学实验室不仅制造了这样的芯片，还开发了控制和读出硬件以及适当的校准技术。该实验室的几位合作者于2017年创立了Lightmatter公司。

Lightmatter解决了困扰光计算的多个挑战，包括在芯片上实现所有控制和读出电路，集成高密度存储，添加标准电子通信接口以支持像电子加速器一样的外部互动，并构建了使系统对最终用户即插即用的软件基础架构。

Lightmatter组装了一个概念验证系统，并构建了一个机架，其中两个传统的AMD EPYC 7002与16个Lightmatter的Envise光芯片一起工作，据报道，该系统的神经网络计算速度是NVIDIA的DGX-A100 GPU芯片的三倍。

Lightelligence，另一个MIT的衍生公司，也在2017年成立。该公司在2021年发布了其第一个光子计算处理器，并正在基于硅基光电子技术平台构建光子计算硬件。其最新的Hummingbird处理器包含一个电子处理器位于光子芯片之上的垂直堆栈，以及一个位于PCIe卡上的光网络芯片。

光子晶体管

几家公司已经将光互连引入到晶圆级，并找到了一种将光和电信号相乘的方法。相移器的驱动器仍然是电的。能否将其转变为激光控制激光信号？“是的，这正是我们想要做的。”德国初创公司Akhetonics的创始人Michael Kissner表示。该公司致力于实现光子学的圣杯：一个光控制光的系统。

这在20世纪80年代几乎是天方夜谭，但随着封装和材料科学的进步，如今看来有很大的可能性成为现实。Akhetonics利用2D材料，如石墨烯，来实现这一目标。这些材料具有极高的非线性系数，正是公司所需要的光晶体管所需的特性。照射在这种材料上的光会改变与之同步穿过材料的脉冲的光密度。Akhetonics使用石墨烯作为饱和吸收体，这意味着在达到一定强度之前，材料是不透明的，一旦达到这个强度，材料就变得透明，允许随后的信号通过。这样的两个开关可以组合成一个门。Akhetonics已经使用氮化硅上的石墨烯构建了一系列不同的光门，与位于德国法兰克福（奥德）的莱布尼茨高性能微电子研究所IHP合作提供代工服务。

结论

随着摩尔定律逼近物理极限和成本的不断攀升，传统电子技术面临发展瓶颈。相对地，硅基光电子技术以其卓越的传输效率和低能耗潜力崭露头角，成为新的技术突破口。这一技术通过光学收发器和光 I/O 芯片的应用，不仅预示着数据处理速度的显著提升，而且在能效和系统集成方面也显示出巨大优势。光技术的运用正变得日益广泛，特别是在提高传统芯片间连接速度至Tbps级别、开发专门处理AI任务的基于Mach-Zehnder干涉仪的光处理器，以及构建量子计算机等方面。尽管大部分光计算机目前仍需直接连接至电子控制系统，但全光计算机的开发正在进行中，预计还需几年时间才能融入常规计算系统，届时将实现计算技术的一大飞跃。