可持续计算的光子学
内容提要
该文综述集成光子技术在计算领域的进展：光子神经形态系统与光子TPU可高效加速深度神经网络推断和图像分割，能效比电子TPU高2至3个数量级；光子量子计算借助干涉仪、单光子源和集成芯片，成为大规模量子处理的有力竞争者；同时关注计算硬件的碳排放问题，并提出光子与强化学习结合的主动学习方案。
延伸解读
光子计算能效优势的边界
文章指出光子TPU在矩阵向量乘法上比电子TPU能效高2至3个数量级，且芯片面积类似。但这一比较基于特定8位任务和波长分割复用、相变材料存储等技术，并非通用计算。读者需注意其优势集中在深度神经网络推断等特定负载，且依赖光子器件与系统的协同设计，实际部署还需考虑光电转换、热稳定性等工程约束。
光子量子计算的两条技术路线
文章呈现了光子量子计算的两种路径：一是基于干涉仪、单光子源和探测器的全光方案，通过簇态或错误编码减少资源开销；二是三维混合资源状态设计，结合bosonic qubits与squeezed vacuum states生成Clifford gate，利用二维集成芯片在时空维度产生簇态。两者都旨在提升可扩展性，但前者强调组件效率与低损耗互联，后者侧重降低实验挑战，尚未有统一的最优方案。
硬件碳排放：被忽视的可持续性维度
文章引用研究量化了计算机硬件制造和基础设施的碳排放，指出现代移动设备和数据中心设备的大部分排放来自硬件制造与基础设施，而非运行阶段。这一发现意味着，仅优化算法或运行能效不足以实现可持续计算，还需在硬件设计与制造环节减少环境足迹。光子技术因其能效潜力被纳入可持续计算讨论，但文章未给出光子硬件自身的碳足迹数据。
光子与强化学习结合的主动学习
文章介绍了一种基于光子技术和强化学习的主动学习机制，采用SARSA、Q-learning和projective simulation等算法，旨在实现抽象与概括能力，并具备可扩展性和可移植性。这一方向将光子计算硬件与智能学习策略结合，但文章仅描述设计方案，未提供实验性能或与电子实现的对比数据，读者应将其视为概念探索而非成熟成果。
Q&A
光子计算在深度神经网络推断上相比电子TPU有哪些优势？
光子计算能比传统数字硬件更快速、更节能地进行深度神经网络（DNN）推断。例如，一种集成光子学TPU利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，其性能比电子TPU高2-3个数量级，而芯片面积类似。
光子加速器上运行图像分割模型时准确性和吞吐量如何？
研究表明，某些图像分割模型在光子加速器上执行时几乎不会损失准确性，并且探讨了模型鲁棒性的经验推理以及当模型表现不佳时恢复准确性的技术。同时比较了不同图像分割工作负载的吞吐量（每秒推断次数）和能耗估计，并讨论了提高光子加速器在计算机视觉任务中应用的挑战和优化方法。
光子量子计算目前的发展状况和主要挑战是什么？
集成平台、先进光源和探测器等的发展使光子量子计算成为中、大规模量子处理的有力竞争者，并具有潜在的量子网络应用。全光量子计算使用单光子源、线性光学元件和单光子探测器使得可扩展性成为可能，基于簇态或错误编码的方法减少了资源开销。主要挑战是实现高效的单光子源、低损耗可扩展光学电路、高效单光子探测器以及这些组件之间的低损耗互联。
如何设计可扩展的光子量子计算机结构？
一种基于三维混合资源状态的光子量子计算机结构设计，将bosonic qubits和squeezed vacuum states结合起来生成Clifford gate，并使用二维集成光子芯片在时间和空间维度上产生qubit集群态，从而降低实验挑战。该设计为制造和操作量子计算机提供了可扩展性，使光子学有望在实现数百万qubits的量子计算机方面取得领先。
计算机硬件的碳排放主要来自哪些环节？如何减少环境影响？
研究表明，现代移动设备和数据中心设备的大部分排放来自硬件制造和基础设施。因此，需要从算法、软件和硬件创新等方面变革，并提出了最小化计算机系统环境影响的未来方向。
光子技术与强化学习如何结合用于主动学习？
一种基于光子技术和强化学习的主动学习机制设计方案，包括SARSA、Q-learning和projective simulation等算法。该方案可实现抽象和概括机制，并且具有可扩展性和可移植性。
