本页目录

前沿 II · 光计算与量子光学

核对于 2026-07证据地位:物理原理【实】;光计算的实用前景【争】量子优势的解释【争】。🔗 与物理站量子信息线、cs 站、AI 站互链。 两个极具诱惑的方向。第四页说过"一枚透镜以光速零功耗完成傅里叶变换"——那么为什么不用光来计算?而量子光学则把光的量子性质变成资源。本页讲清它们的原理、真实进展,以及为什么它们至今没有取代电子计算。

量子光学资源与测量标度

图 19-1 左:经典标准量子极限(SQL)给出 \(\Delta\varphi\sim N^{-1/2}\),理想纠缠可达到海森堡标度 \(N^{-1}\),但损耗会抬出实际的噪声底;右:单光子、压缩态与纠缠态经过干涉仪进入探测器,分别服务于量子通信、精密测量与采样。量子资源带来的理想增益,最终必须经过损耗、探测效率与系统实现的检验

一、光计算:诱惑与障碍

诱惑非常真实(承第四页):

这对以矩阵乘法为主的神经网络推理极具吸引力(🔗 AI 站、微电子站第十六页的存内计算是同一动机)。

但障碍同样真实——它们与微电子站第十六页讨论存内计算时的障碍高度相似

① 电光/光电转换的开销。 数据要变成光、算完要变回电。转换的功耗与延迟常常吃掉光学部分节省的一切——这是所有光计算方案的第一道坎

② 精度有限。 模拟光学计算受噪声、串扰、器件误差限制,有效精度通常只有 4–8 位。而神经网络训练需要更高精度(推理可低精度,这是唯一的机会窗口)。

③ 非线性极难。 神经网络需要非线性激活函数,而光学非线性弱且需要高功率(第十四页)。现有方案多数在电域做非线性 → 又回到转换开销。

④ 存储与可编程性。 光没有天然的存储;权重更新(尤其训练)代价高。

⑤ 与移动的靶子竞争。 数字加速器(🔗 微电子站第十七页)在持续进步,光计算必须打败的是一个每年都在变强的对手

当前较可信的定位

判读此类工作的问题算不算电光转换的能耗?是端到端还是仅光学部分?精度损失多少?与同期数字加速器的公平对比如何? ——与微电子站第十六页那份清单完全一致。

二、量子光学的基本资源

光的量子性质提供了经典物理没有的资源:

① 单光子与光子统计

② 纠缠:参量下转换产生的纠缠光子对,是量子通信与计算的基础资源。

③ 量子测量的极限

三、量子通信

量子密钥分发(QKD):利用量子态不可克隆,窃听必然引入可检测的扰动

四、光量子计算

优势:光子退相干弱、可室温工作、可用成熟光子集成工艺(第十五页)。

困难:光子之间几乎不相互作用 → 难以实现两比特门。

主要路线

关于"量子优势"实验的诚实说明:多个团队报告了光量子采样实验声称超越经典模拟能力。这些是重要的实验成就,但需要注意:

本课立场物理与工程成就是真实的;"量子计算即将改变一切"的叙事则远超证据。 标【争】。

五、一个贯穿的判读模式

本页两个主题与本讲义库其他站的前沿页共享同一个模式:

方向 原理成立? 卡在哪里
光计算 转换开销、精度、非线性、对手在进步
超表面替代透镜(第十八页) 效率、带宽、与廉价非球面竞争
存内计算(🔗 微电子) ADC 开销、精度、端到端收益
TFET/NC-FET(🔗 微电子) 部分 电流不足、稳定性
\(H_\infty\) 控制(🔗 自动化) 阶数高、难维护、保守
QKD 速率、距离、侧信道、PQC 竞争

共同教训一项新技术要取代成熟方案,必须同时打败它的性能、成本、生态与可制造性——而最后两项通常才是决定性的。 这是本讲义库工科各站反复出现、也最值得带走的判断框架。

六、要点


下一页:本线最后一站——这个行业的产业形态与本硕博的实际去向。