基于光子的计算提供了一种更快、更节能的方法来处理日益增长的维护和操作数据的需求。由Lightmatter开发的Envise平台定位于以专门的功能颠覆光子计算行业，对许多行业产生积极的影响。

自20世纪40年代从模拟机械装置过渡到数字电子学以来，计算机已经能够在硅芯片、真空管和晶体管中移动和操纵电子。 21世纪出现了一种新的策略，以解决以越来越快的速度处理越来越多的数据的需求，以实现人工智能（AI）的应用，使用光子进行更快和更有效的计算。

尽管光计算的基本概念已经被实验了一段时间，但现在描述的光子计算已经迅速发展成为可用的技术。光学/光子计算被定义为使用光子来计算一个特定的函数或数学运算。

电子和光子操作

由于光子的行为与电子不同，大约50年前早期对光学计算机技术的尝试被证明不太成功。

由于晶体管是非线性的，所以在逻辑运算中更容易实现。晶体管可能由于非线性而翻转，这使得它们能够被转化为逻辑门。有了电子技术，这种切换很容易进行。数字计算机特别善于使用基于电子的晶体管来控制软件指令的流动。

然而，与电子不同的是，由于光子服从线性麦克斯韦方程，光学设备的输入和输出是成比例的。用光学来构建逻辑运算是很困难的，因为将许多逻辑运算连接起来取决于对光信号的仔细控制。在当时的技术条件下，这些信号很容易随着安装数据而丢失。

随着计算领域逐步向人工智能解决方案深入推进，光子计算正呈现出独特的机会，其应用范围不断扩大。机器学习（ML）、人工智能（AI）和深度学习神经网络计算所需的大规模并行处理有利于集成光子学，它将光子设备集成到微芯片上。集成光子学提供了更高的计算速度和效率，同时使用的功率比电子小得多。

Envise

Envise是Lightmatter公司创造的一种光子芯片，专门为人工智能开发。它被用来运行神经网络，其中经常进行像使用线性代数的加法和乘法的计算。

这些加法和乘法是由集成的光子组件实现的。线性代数是一种非常通用的数学工具，是深度学习算法的核心，并被用于对现实世界中的各种情况进行建模，从太空探索到金融交易。这些都依赖于线性代数中的矩阵乘法运算，这很适合光子学的模拟线性特性。

当谷歌透露它正在创建一个被称为张量处理单元（TPU）的深度学习处理器时，人工智能处理器芯片的市场被激发出来。TPU有一个矩阵处理器阵列，有256x256个乘积单元，这促进了深度学习中涉及的许多基本计算的加速。Envise可与谷歌的TPU工作相媲美。在Envise中，TPU的电子核心已经被换成了光子核心。光子芯片的运行速度要快得多，而且能效也高得多。

马赫-泽恩德干涉仪（MZI）被设计用来分割和重新组合准直的激光束，是Lightmatter公司Envise芯片和类似的集成光子技术的一个重要组成部分。大多数深度学习人工智能算法的核心的矩阵乘法是由大型的MZI阵列进行的。通过利用Envise，一个程序可以更快速地执行，并大大降低能耗。

在4U的服务器配置中，Envise 4S有16个Envise芯片，功耗仅为3kW。使用4S作为构建模块的机架规模的Envise推理系统可以以前所未闻的性能运行迄今为止创建的最大的神经网络。

应用

Envise光子学计算已经成为许多工业部门的目标。一些例子是。

汽车行业的自动驾驶。
在制造工厂实现预测性和预防性维护。
机器人的控制和视觉设计。
电子商务和广告中的产品推荐。
卫生部门的药学、病理学和癌症检测。
数字信号分析和信号处理的算法。
语言处理中的语言翻译和文字转语音开发。

限制和展望

光子计算有某些内在的局限性，仍然需要进一步发展。由于像Envise这样的光子芯片所进行的计算是模拟的而不是数字的，它们可能不像传统的晶体管那样精确，而且系统噪音也可能是一个问题。MZI是光子设备的一个例子，它通常比较大，还不能像更传统的电子元件那样紧紧地挤在一个芯片上。

尽管设计者们正在努力克服这些挑战，但所有的计算机不太可能很快就转到光子芯片上。人工智能系统不断寻求更多的计算能力，因此光子计算技术提供了一种绕过摩尔定律不可避免的技术限制的方法。

Written by Ilamaran Sivarajah