光计算新突破：半光半物质粒子如何成为AI芯片的关键拼图

1946年，宾夕法尼亚大学的J. Presper Eckert和John Mauchly向世界展示了ENIAC。这台庞然大物利用电子的流动来求解弹道方程，就此拉开了电子计算时代的序幕。

八十年后的2026年4月，同样是在宾夕法尼亚大学，物理学家Bo Zhen的团队在《物理评论快报》上发表了一项新成果。他们制造出了一种半光半物质的混合准粒子——激子-极化激元，并仅用大约4飞焦（fJ，即4×10⁻¹⁵焦耳）的能量，就实现了光信号的全光开关切换。这个能量，比短暂点亮一颗微型LED还要低好几个数量级。

从电子到光子，宾大用了八十年画了一个圆。只不过，这次要应对的挑战不再是弹道计算，而是人工智能。

图丨相关论文（来源：Physical Review Letters）

AI对算力的渴求，正在将全球电网推向极限。国际能源署的数据显示，2025年全球数据中心用电量同比增长了17%，预计到2030年将翻倍，达到约950太瓦时。问题的根源在于电子本身：它携带电荷，移动时会产生电阻，电阻则意味着发热。芯片集成度越高，散热就越发成为难题。

光子，似乎是一个天然的替代选择。它不带电、没有静止质量、以光速传播，并且几乎不产生热量。事实上，光子早已统治了通信领域，全球互联网的骨干就是由光纤构成的。然而，要让光子从信息的“搬运工”升级为“计算者”，却卡在了一个看似简单的基本问题上：光子之间几乎不发生相互作用。

这恰恰是光子最大优势的反面。“光子是电中性的，这使其能够快速、低损耗地进行远距离信息传输，”论文共同第一作者、前宾大博士后李赫（现为蒙大拿州立大学助理教授）向媒体解释道，“但这种电中性也意味着它们几乎不与周围环境互动，而计算机依赖的信号开关逻辑，恰恰需要这种互动。”

这个矛盾对于光子AI芯片来说尤为致命。神经网络的运算主要分为两步：线性运算（如矩阵乘法）和非线性激活（类似于“做判断”）。光子天生擅长前者，利用干涉和衍射效应就能高效完成矩阵乘法，速度极快且能耗极低。曦智科技、Lightmatter等公司已经将光子矩阵乘法芯片推向了商业化。在线性计算这一步，光子已经证明了其巨大潜力。

但非线性激活不同，它需要信号之间能够相互影响，一个信号的状态要能改变另一个信号的状态。电子天生就能做到这一点，因为它们带电，彼此间存在排斥力。而光子做不到。结果就是，许多现有的光子AI芯片在完成矩阵乘法后，不得不将光信号转换回电信号，交给电子器件去执行非线性激活，然后再转换回光信号，输入到下一层网络。

这种反复的“光-电-光”转换过程，恰好吞噬了光子计算在速度和能效上的大部分优势。麻省理工学院此前曾开发混合光电的非线性功能单元来缓解这一问题，新加坡国立大学的团队也在2026年3月报告了利用铌酸锂波导实现全光激活的方案。各路研究者都在攻克同一道关卡：如何让光信号无需变回电子，就能完成“判断”。

宾大团队的思路，与上述几种方案都不同。他们没有试图让光子直接产生非线性，而是选择为光子“嫁接”一个善于互动的搭档。

具体做法是，将一层原子级厚度的硒化钼半导体薄膜，放置在一个氮化硅光子晶体纳米腔上。这个纳米腔的模式体积极小，只有大约0.05立方微米，比传统的分布式布拉格反射镜腔小了数个数量级。

在如此局促的空间内，光子被强制与硒化钼中的激子（电子-空xue对的束缚态）发生强耦合，最终融合成一种既非纯光也非纯物质的混合准粒子——激子-极化激元。这种粒子同时继承了光子的速度和激子的互动能力：当两个极化激元相遇时，其物质成分让它们能够“感知”到彼此的存在，从而产生非线性响应。

（来源：Physical Review Letters）

研究团队实现了约4飞焦的全光开关切换能量，这比此前基于二维材料的激子-极化激元系统所报道的皮焦量级阈值低了几个数量级。泵浦-探测光谱显示，开关动作在几皮秒内即可完成，其速度主要受限于激子寿命，而非器件本身。此外，团队还通过电学门控调节硒化钼的掺杂状态，实现了从强耦合到弱耦合的可控切换。

这项研究与现有的光子计算芯片实际上构成了一种互补关系。后者已经在线性矩阵运算上证明了光的优势，但在非线性环节仍然依赖电子器件。宾大团队展示的极化激元全光开关，恰好瞄准的正是这个缺失的关键环节。

如果未来能将极化激元器件集成到光子芯片上，就有可能让整个神经网络的推理过程完全在光域内完成，彻底摆脱“光-电-光”的反复转换。论文中也提到，该系统有望加速全光神经网络的发展，使计算更完整地保留在光域中进行。

当然，距离这一愿景成为现实，还有几道现实的关卡需要跨越。此次实验是在4开尔文（约零下269摄氏度）的极低温环境下进行的，商用芯片显然不可能依赖液氦来冷却。目前的器件也仅仅是单个纳米腔的原理演示，要走向大规模阵列集成，还需要跨越工程上的巨大鸿沟。

论文作者也坦承，当前约4飞焦的开关能量对应着腔内约10⁴个极化激元，还需要再降低两到三个数量级，才能接近量子非线性的理论极限。他们提出了具体的改进路径：在材料端，用带电激子或莫尔激子替代中性激子，有望将非线性响应提升一到两个数量级；在光子器件端，采用折射率更高的绝缘体上磷化铟镓平台（折射率约3.4，远高于氮化硅的2.17），可以进一步压缩光学模式体积，并延长极化激元的寿命。

眼下，光子计算正处在一个微妙的时刻。产业端的投入在不断加速，但全光非线性这个底层物理问题，尚未被工程化地彻底解决。光子芯片在最为关键的“判断”环节，依然需要退回电子世界寻求帮助。宾大的这项工作，为我们指出了一条潜在的技术路径。然而，从4K低温下的单个器件，到室温芯片上的大规模集成，中间横亘着的，远不止是工程优化，更有材料科学与光子学领域一系列基础性的挑战。

参考资料：

1.https://journals.aps.org/prl/abstract/10.1103/gc15-qsvf#fulltext

2.https://penntoday.upenn.edu/news/making-light-work-computing