光芯片技术洞察：硅光如何破解AI能耗困局
光子学技术在此展现出巨大潜力：光波的传播与干涉过程几乎不消耗能量，通过工程设计即可实现可扩展功能，且无需额外增加能耗。经过二十年发展，硅光子学已能提供近乎理想的技术平台，释放其独特优势——它可实现高效高密度互连，支撑高带宽长距离链路；能完成低能耗光路切换，且不受信号带宽限制；还可构建光子神经网络，以光速加速AI计算。
本文将回顾这些光子技术的发展趋势与进展，并论证：要让光子技术成为AI时代可持续基础设施的核心组成，硬件与软件、电子与光子技术需以互补方式协同发展。
光收发器与光交换机技术进展
A. 能耗扩展特性对比
图2展示了光收发器与超大规模数据中心常用电交换机ASIC的能效（单位：pJ/bit）随时间的变化曲线。对比可见，交换机ASIC的能效扩展性远不及光收发器，这意味着系统瓶颈在于交换机而非收发器。令人意外的是，光收发器的能效提升已跟上摩尔定律节奏——基于硅光子的近封装/共封装光器件能效已突破5 pJ/bit，而交换机ASIC的能效提升则明显滞后。
实际应用中，ASIC交换机功耗随吞吐量增长而上升，当吞吐量达到100Tbps时，单芯片功耗会超过1000W；而光交换机功耗极低，且随吞吐量增加保持稳定（见图3）。因此，用光交换机替代电交换机的比例越高，系统整体效率就越高。不过，这一替代过程需解决诸多实际问题。
B. 光交换机的系统应用实践
光交换机的核心局限在于无法处理数据包——这恰是ASIC交换机的核心功能。光交换机仅能作为“光路交换机（OCS）”运行，不能直接替代ASIC交换机。要控制OCS，需搭建独立控制平面，编排器或操作系统需实时感知OCS状态，并根据系统需求通过控制平面发送指令。这种系统与依赖ASIC的传统分组交换系统差异显著，因此使用OCS需从零开始重构整个系统，对架构进行全面优化。目前，全球仅谷歌具备这样的能力——在谷歌宣布其数据中心与AI基础设施已大规模部署OCS后，光交换机技术才开始广泛发展。
早在谷歌推出OCS系统前，日本产业技术综合研究所（AIST）已启动大规模硅光子交换机研发。图4展示了AIST开发的硅光子交换机刀片，它支持32×32严格无阻塞连接，配备数字控制接口，通过9级Clos网络配置可扩展至131072×131072连接规模。实验证明，在可组合解耦基础设施中，这类交换机可将网络功耗降低75%。
这些大规模硅光子交换机的制造，依托AIST基于标准CMOS技术的内部试验生产线，采用45纳米工艺规则，实现了足够高的均匀性与良率，可批量生产包含数千个器件（如马赫-曾德尔干涉仪MZI）的大规模光子集成电路。
光子神经网络技术探索
基于标准CMOS工艺的硅光子器件，具备高均匀性与高良率特性，这对实现光子神经网络（PNN）至关重要。PNN通过集成大量MZI形成网状拓扑，在光域直接执行矩阵-向量乘法（MVM）——MVM过程本身速度极快且无能耗，能显著提升AI计算能力，有望分担GPU等高能耗数字处理器的计算负载。不过，PNN缺乏理想的非线性激活函数，这是AI计算的关键功能之一。
为解决这一问题，研究人员提出利用电光（EO）非线性效应，让AI计算过程仅通过信号传播完成，无需中间数字处理环节。MZI器件可轻松实现这一目标：它以电信号为输入，输出调制后的光信号。电光非线性具有正弦传递函数，与ReLU、Sigmoid等传统激活函数差异较大，因此需为PNN开发全新AI模型。
A. 基于光电非线性的概率神经网络模型
目前已提出并验证了多个基于光电非线性的AI模型：第一个模型包含从输入参数空间到高维空间的非线性投影映射，通过调整MZI工作点训练其光电传递函数。转换后的光学复空间非线性映射数据，可通过寻找超平面实现分类，类似支持向量机原理。
图5(a)与5(b)分别展示了研发的硅光子芯片与实验装置。研究人员在芯片上采用细菌觅食优化（BFO）与前向差分算法进行训练，图5(c)验证了其对多种布尔逻辑的分类有效性，图5(d)则展示了其对鸢尾花数据集的高精度分类能力。该PNN仅通过无源光子电路中的信号物理传播完成计算，确保了低功耗与低延迟特性。
第二个模型是上述模型的级联版本——“垂直分层光电概率神经网络”（如图6所示）。该模型中，所有光路长度不随层数增加而变长，为构建更深层次的学习模型提供了可能。
图7展示了该模型在MNIST、Fashion与KMNIST数据集上的测试准确率——三层模型准确率优于两层模型。第三个重要模型是光电霍普菲尔德网络。
图8(a)为该网络架构：MZI作为非线性神经元，将输入数据与反馈信号编码到单频连续波（CW）光（记为λ）上。图8(b)显示，经过训练后，即使输入模式半损坏，系统仍能回忆起存储模式，体现了霍普菲尔德网络特有的联想记忆效应。
B. 流式PNN的通用方案
运行PNN存在不可忽视的开销，因此需对整个系统进行全面评估与整体优化。同时，PNN的固有优势——低延迟、高速度、低能耗等——需通过合理设计充分发挥。研究表明，PNN作为流式处理器，同时具备电域与光域I/O时性能最佳。流式PNN的概念如图9所示：通过该方案，PNN可同时在电域与光域流式处理数据，无缝融入现有数字基础设施。
技术总结与展望
硅光子技术已取得显著进展，在高密度I/O、带宽无关光路切换、光速AI加速等方面展现出巨大潜力，有望从多维度提升AI基础设施的可持续性。不过，将OCS、PNN等光子功能器件引入传统数字基础设施并非易事，未来需在整体系统设计与实现层面开展更深入研究。
本文来自微信公众号“半导体行业观察”（ID：icbank），作者：AIST，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com