光子芯片，突破摩尔定律的蹊径？

提到人工智能，最先想到的参数往往是算力。无论是传统的CPU、GPU还是FPGA或ASIC加速卡，都在竭尽所能地想要成为“算力怪兽”，满足机器学习中大规模数据集的处理和云端AI服务在计算上的需求。

然而在目前的AI世界里，硬件都基于传统的数字电子架构，虽然已经有不少厂商在准备跳出冯诺依曼架构的限制，比如开发神经形态加速器等。但它们并没有跳出电子传输速率上的限制，因此不仅处理器主频上仍然受限，要想实现百亿亿级乃至千亿亿级的算力，也只能从增加系统规模上入手。

在这种困境下，从光子学出发的方案正在不断涌现，硅光技术让CMOS制造高集成的光子芯片成为了可能。光子芯片基本都是基于马赫-曾德干涉仪（MZI）制作的，用光信号来进行线性计算，不仅没有复杂的逻辑门，在传输上的能耗也远小于电信号。

不少研究人员都在近年发表了在光学计算的突破，也有少数公司在这个方向发力，打算以全新的架构来跳出这些限制，让AI与神经网络运算更进一步，甚至是打破传统的摩尔定律。

Lightmatter

Envise / Lightmatter

专注于AI光子芯片的初创公司Lightmatter在今年推出了Envise，首个通用AI光子加速器，也是去年在Hot chips上发布的Mars原型芯片的改进版。该加速器结合了光电系统，从他们的芯片构造中也可以看出，除了光子核以外，还包含了图形处理器、RISC核心和SRAM。Envise支持INT8、INT16和bfloat16三种数字格式，也支持ReLU、GELU和sigmoid等神经网络中常见的激活函数。

Envise服务器构造 / Lightmatter

据Lightmatter给出的数据，以16个Envise芯片和2个AMD EPYC 7002芯片组成的4-U服务器，仅有3kW的功耗，在Resnet-50模型的测试结果中，推理速度却是英伟达DGX-A100的四倍，而DGX-A100的最高功耗可是有6.5kW。

为了解决扩展性的问题，Lightmatter也在推出了自己的高速互联技术Passage。Passage是一种晶圆级可编程的光子互联技术，让异构芯片以大带宽和高能效互相通信，支持CPU、内存和专用加速器。Lightmatter宣称Passage比现有的芯片互联方案要快上百倍，芯片间最大的传输延迟仅有2ns。

Lightelligence

除了国外的Lightmatter以外，国内也有一家专注于光子芯片的公司Lightelligence（曦智科技）。成立一年后，曦智科技就在2019年正式发布了全球首款光子芯片原型板卡，处理MINIST数据集的准确率达到97%以上。据了解，曦智科技目前主要的技术方案专注于光计算和光传输，以高集成度的光子芯片去辅助现有的数字电子芯片，支持到更快的机器学习运算，数字电子芯片负责简单的逻辑运算，实现高算力的同时做到低功耗。

曦智科技CEO沈亦晨在去年的EmTech China大会上表示，光子芯片技术可以更快实现产业化，因为光子芯片对制程的依赖不强，因此甚至可以用28nm的芯片做到7nm芯片的性能。从这点来看，光子芯片或许也是一个摆脱制程受限的发力方向。根据其官网的消息，曦智科技目前正在与早期客户紧密合作，预计在2022年开始光学AI加速的正式部署。

光子卷积加速器

今年1月，来自澳大利亚的几名研究人员在《自然》杂志上发表了一篇名为《用于光学神经网络的11 TOPS光学卷积加速器》的文章。卷积神经网络（CNN）启发自生物视觉皮层系统，这种神经网络提取了原始数据的层次特征，极大降低了网络参数的复杂度，提高了预测的准确性。CNN已经在计算机视觉、语音识别和医疗诊断中获得了广泛的应用，但仍被电子架构的性能给限制。

这篇文章中的研究人员展示了一个通用的光学向量卷积加速器。该加速器集成了克尔光频梳提供的大量波长通道，实现了11 TOPS的运算速度，也可以同时生成8-bit分辨率25万像素图像的卷积，足以用于人脸图像识别。研究人员还利用相同的硬件，依次组成了一个具有10个输出神经元的深度光学CNN，完成了500张MINIST手写数字图片的识别，准确率达到88%以上。

结语

除了以上提到的几家公司和研究外，市场上还有不少开始攻克光子芯片的公司，比如受到比尔盖茨投资的初创企业Luminous Computing，不过其CEO Marcus Gomez在2019年的一次采访中提到，其产品预计要在2022年至2025年的区间内才会面世。英特尔也在今年公布了两份相关专利，其中之一便是将光子加速器与Xeon核心异构集成。

目前光子芯片依然在走光电结合的方向，光学计算主要是为神经网络等应用起到辅助加速。这是因为受到光学元件的限制，尤其是马MZI的布线特点，要想实现MZI互联的话，就很难兼顾尺寸了，所以全光子的方案在扩展性上还是要差上一筹。且我们平常接触到的多为数字信号，少不了光电转换的过程，因此光子芯片的成功归根结底还是需要光电工程师的共同努力。至于通用计算什么时候能用上光子芯片，仍是一个未知数。