11月25日消息，科技媒体《livescience》昨日（11月24日）发布博文，介绍了来自芬兰阿尔托大学的研究团队的一项重要突破——他们成功演示了一种名为”并行光学矩阵-矩阵乘法器”(POMMM)的新一代光学计算架构。这一创新技术旨在解决人工智能(AI)模型训练和执行过程中面临的重大瓶颈问题。
文章指出，现代AI模型，特别是大型语言模型(Large Language Models, LLMs)，其性能严重受限于处理”张量”(Tensor)数据的速度。张量是AI模型中用于组织数据的加权结构，其处理速度直接决定了模型规模的上限。
传统光计算虽然在小规模运算上比电子计算更快、更节能，但存在一个关键缺陷：难以实现并行处理。与图形处理器(GPU)可以通过大规模串联来指数级提升算力不同，大多数光学系统只能线性运行。因此，尽管光计算技术潜力巨大，但在实际应用中开发者更倾向于选择GPU的并行处理优势。像OpenAI、Google等公司开发的顶级AI模型，正是依赖数千块GPU的并行运算才得以实现。
POMMM技术的核心优势在于，它能够利用单次相干光的传播过程完成整个矩阵与矩阵的乘法运算。其工作原理是：通过空间光调制器将数字张量编码为光的相位和振幅，随后光束穿过实现傅里叶变换的透镜组，最终以干涉图像的形式被高速探测器捕捉。这一计算过程完全在光的”飞行”中瞬间完成，无需依赖电子环路或内存读取，实现了物理意义上的”自然同步计算”。
研究团队使用现有的光学元件搭建了POMMM原型机，并在标准光学平台上耗时六个月完成了组装和测试。实验数据显示，对于最大尺寸为50×50的矩阵，该原型系统的平均绝对误差(MAE)低于0.15，归一化均方根误差(RMSE)则控制在0.1以下。
虽然当前原型机的能效表现（2.62 GOP/J，即每焦耳执行26.2亿次操作）与顶尖GPU相比仍有差距，但其在运算延迟方面展现出显著优势——仅需纳秒级时间，远优于电子计算的微秒级水平。研究团队认为，这种技术路线的优势在于其扩展性和潜在速度提升空间。
为了推动技术验证和社区发展，研究团队已在GitHub平台上开源了所有代码和数据资料。这种开放式的做法不仅增强了外界对该项技术突破的信心，也吸引了全球光子学实验室和AI加速器开发者的广泛关注。
研究人员坦言，目前仍面临两个主要技术难题：探测器的动态范围限制和校准漂移问题。不过，他们已经明确了未来的技术发展路线图——通过将关键组件（如空间光调制器和探测器阵列）集成到低损耗的氮化硅光子芯片上，预计能效可实现百倍提升。
根据团队预测，首款集成了专用光子芯片的POMMM原型机有望在三年内问世，届时其能效将提升至300 GOP/J，远超当前电子GPU约30 GOP/J的能效水平。然而，考虑到封装、温控和激光器集成等工程挑战，距离实现大规模量产可能还需要五年以上的时间。
附上参考地址
-
Direct tensor processing with coherent light
-
AI at the speed of light just became a possibility
相关文章
