玻璃里的AI计算：华科&上交大突破，光子神经网络写入三维玻璃

type

status

date

slug

summary

玻璃里的AI大脑：光子神经网络如何“写”进三维空间？

当人工智能（AI）的算力需求如火箭般蹿升，计算的“战场”正从传统的电子芯片延伸到更广阔的物理维度。近期，一篇发表在国际知名期刊Nature Communications上的重磅研究，再次将“光计算”推向了聚光灯下。华中科技大学与上海交通大学的联合团队，成功将可编程的光子神经网络“写”入了玻璃的内部三维空间，构建出前所未有的三维光学计算核心。这不仅仅是将光学矩阵做得更大，更是为AI硬件的未来发展开辟了一条全新的、极具潜力的道路。

从“传数据”到“参与计算”：光子的AI新角色

长期以来，在AI算力系统中，光的主要角色是“传数据”。高速、低损耗的光互连技术已成为连接芯片、服务器乃至数据中心的事实标准。然而，光的潜力远不止于此。光在传播过程中固有的复用、耦合、干涉和混合等物理特性，本身就蕴含着强大的计算能力，尤其是在AI推理中占比极高的矩阵计算等线性运算任务上。

这项研究的核心突破在于，它不再将光仅仅视为数据传输的媒介，而是让光直接参与到计算的每一个环节。通过在玻璃内部构建三维结构，研究团队让光信号在三维空间中进行复杂的混合与调控，从而直接完成神经网络的推理计算。这标志着光计算从“光能算”的理论验证，迈向了“如何构建可扩展、可编程、能承载真实数据”的实际应用阶段。

破解二维平面局限：三维光计算的优势何在？

传统的平面光子芯片在规模化发展中面临着严峻的挑战：

输入维度的限制：真实世界的数据（如图像、视频）天然具有二维甚至更高维度的空间结构。平面芯片往往需要将这些数据“展开”或“串行化”后输入，丢失了原始的空间并行性和邻域关系，降低了效率。

片上互连的拥挤：随着计算单元的增多，二维平面上的波导排布会变得极其拥挤。波导绕行和交叉会引入额外的损耗和串扰，限制了连接的密度和复杂性。

规模扩展的瓶颈：输入输出端口、调制器、电极、波导路由、探测器等所有资源都挤在同一块二维平面上，几何约束显著，难以实现大规模的并行计算。

相比之下，光在三维空间中传播、耦合和重构的天然优势，为突破这些瓶颈提供了可能。电子计算也在走向三维，但主要是为了缩短距离、缓解功耗，其基本代价（如电阻、电容）依然存在。而光计算在透明介质中，可以通过三维空间路由和模式耦合来组织信息，避开了大量导线充放电的限制。这项研究正是抓住了这一关键，巧妙地将飞秒激光直写技术应用于玻璃材料，在内部“刻画”出三维光波导，构建了一个体积式的计算核心。

核心架构解析：光子神经网络如何“书写”？

该研究的核心架构可以概括为：二维空间输入 → 三维光场混合 → 可编程相位调控 → 片上神经网络推理。

三维光子灯笼波导阵列：这是实现三维光场混合的关键。它并非简单的功率分束，而是通过三维波导之间精密的耦合，使输入光场在多个空间通道中发生混合，形成复杂的线性光学变换。这相当于在光学层面完成了神经网络中的“加权求和”过程，但连接关系是通过三维空间结构而非平面布线实现。

可编程相移器阵列：为了让这个光学网络具备“可训练”的能力，相移器阵列至关重要。通过外部电控调节每个通道的光学相位，可以改变芯片的整体传输响应，从而适配不同的计算任务，无需重新制造芯片。

级联与集成：将三维光子灯笼和相移器阵列交替级联，构建出多层级的神经网络结构。每一层都是一次“混合-调控”的计算步骤。多层级联后，芯片能够实现更丰富的线性变换，并最终在输出端产生与任务相关的光学响应。

实验验证与性能亮点

该原型芯片在多项实验中展现了强大的能力：

MNIST手写数字分类：实现了93%的准确率。这证明了二维图像信息可以被有效编码，并在三维光子网络中完成从输入到输出的完整计算闭环。

片上光学图案生成：输出光场与目标图案的保真度达到94%。这表明复杂的三维光场混合是可控的，并且能够服务于特定的任务目标。

理论计算吞吐量：估算出高达6554 TOPS。这一数字表征了该三维光学计算核心在并行线性运算上的规模潜力，而非端到端的系统性能。

展望：玻璃中的“全光”未来

这项工作的重要意义在于，它不仅在芯片内部使用了三维结构，更在输入方式上保留了二维数据的空间并行性。这意味着，对于图像、传感阵列等天然具有二维结构的数据，可以更直接、更高效地输入到计算核心中。

虽然64通道的规模只是一个起点，但其成功验证了“可编程三维光子神经网络”这一架构的可行性。研究团队正着手开发千通道I/O的新一代芯片，以进一步探索三维空间在组织互连、降低损耗和串扰方面的潜力，真正释放光计算在大规模并行任务中的优势。

业界的探索也在同步进行。例如，有公司正利用玻璃作为衬底，通过单层堆叠实现三维集成，并引入相变材料实现存算一体，进一步提升能效比和功能集成度。未来的AI计算集群，或许将不再是“电主光辅”，而是走向“光电融合，以光为主”，甚至实现“全光”计算，让AI推理的格局发生翻天覆地的变化。

这项研究预示着，下一代光计算芯片，可能不再仅仅是在平面上“画”出来的，而是在玻璃中“写”出来的。