全光学超表面AI加速器

全光学超表面AI加速器：让光直接做矩阵运算

引言

人工智能对算力的渴求正以指数速度膨胀。传统电子芯片在冯·诺依曼瓶颈和功耗墙的双重挤压下，越来越难以满足大模型推理的需求。与此同时，光——这个自然界中信息传输最快的载体——正被重新请回计算舞台。超表面（metasurface）作为一种亚波长尺度的电磁结构，可以在超薄平面内实现几乎任意的光场调控。当它与光学神经网络（Optical Neural Network, ONN）结合，就诞生了一个极具颠覆性的方向：全光学超表面AI加速器。它的核心目标不是“用光传输数据”，而是“让光直接完成矩阵运算与推理”。

核心概念：衍射神经网络与超表面调制

全光学AI加速器的物理基础可以用“衍射神经网络”来概括。光波经过一系列结构化的调制层后，其波前被逐步变换，最终在输出平面上形成可表征推理结果的强度分布。这个过程与人工神经网络的前向传播完全对应：每一层超表面对光场的相位调制等价于一个可学习的权重矩阵，而光的衍射传播则对应层与层之间的线性变换。

对于一个厚度远小于工作波长的超表面单元，其局部相位响应通常可以用广义斯涅尔定律来描述。考虑一个平面波以角度 $\theta_i$ 入射到超表面，反射或折射方向满足

$$
\sin\theta_i - \sin\theta_t = \frac{1}{k_0} \frac{d\Phi}{dx},
$$

其中 $\Phi(x)$ 是超表面引入的相位梯度，$k_0 = 2\pi/\lambda_0$ 为真空波数。通过精心设计亚波长结构（如硅纳米柱、TiO₂ 纳米鳍、相变材料等），可以在 $2\pi$ 范围内实现连续可调的相位响应，从而将入射光精确导向目标方向或形成任意波前。

在光学神经网络中，第 $l$ 层光场 $U^{(l)}$ 的传播可以用菲涅耳衍射近似或角谱法表示为

$$
U^{(l+1)}(x’, y’) = \iint H(x’, y’, x, y) , U^{(l)}(x, y) , dx , dy,
$$

其中 $H$ 为系统的传播核。若将超表面的相位调制记为 $T^{(l)}(x, y) = e^{i\phi^{(l)}(x, y)}$，则整个网络前向传播可写成

$$
U^{(L)} = P^{(L)} T^{(L-1)} P^{(L-1)} \cdots T^{(1)} P^{(1)} U^{(0)}.
$$

这里 $P^{(l)}$ 是自由空间传播算符，$T^{(l)}$ 是逐点相位调制。由于光速与光的并行性，这种结构在理论上可以以极低延迟和零焦耳/bit 的静态功耗完成大规模矩阵向量乘法。

应用场景：机器视觉的实时推理

全光学超表面AI加速器最自然的落地场景是“前端感知即推理”。例如在自动驾驶激光雷达或安防相机中，光学镜头接收到的图像无需先被CCD/CMOS采样、再送入GPU，而是可以直接被一片超表面光学神经网络处理，在光域完成目标识别、边缘检测或异常判断。近年来，已有多项演示在太赫兹、近红外和可见光波段实现了手写数字识别、Fashion-MNIST分类，乃至简单的语义分割任务。虽然这些原型与商用AI芯片相比在可编程性和精度上仍有差距，但其能量效率优势——每推断仅需数十飞焦到皮焦量级——让人们对“光子计算”的长期愿景充满期待。

今日动态

据 Phys.org 报道，近期超表面领域在“光场操控速度”和“生物传感”两个方向持续取得进展。6月25日，一项被称为“超快光整形技术”（Ultra-fast light-shaping technology）的研究提出了一种新型“虚拟”超表面，其调控能力据称优于传统超薄结构方案，有望对未来的成像系统产生变革性影响。7月7日，另一篇报道称研究人员开发出一种新型芯片，可在不到万亿分之一秒的时间内重新定向光束，这项技术对于光通信、高性能计算和超快传感都具有重要意义。这些动态进一步说明，超表面技术正在从静态光学元件走向动态、可重构的光信息系统，而全光学AI加速器正是这一演进的关键交汇点。

总结

全光学超表面AI加速器代表了“计算嵌入光学”这一前沿方向。它利用超表面在亚波长尺度上实现任意相位调控，使光在传播过程中直接完成神经网络推理。尽管面临可重构性、精度、封装与系统集成的挑战，但其在延迟和能效上的理论优势，使其成为后摩尔时代算力架构的有力候选。随着动态可调材料和片上集成工艺的成熟，未来的AI芯片也许不再依赖电信号在晶体管间奔流，而是让光本身承担大部分计算任务。