ONN 核心实现架构
在大语言模型（如 Transformer 架构）的算力消耗中，超过 90% 是矩阵-向量乘法（MAC, Multiply-Accumulate）。传统 GPU 的电学计算受限于晶体管电容充放电产生的动态功耗，即“功耗墙”。埃睿光学神经网络利用光子的物理干涉和衰减特性，直接在模拟光域完成 MAC 运算。
系统采用混合型架构，结合微环谐振腔（MRR）与马赫-曾德尔干涉仪（MZI），并辅以自研 3D 封装技术。
物理乘法器：微环权重库与波分复用
输入电信号（向量 X）通过高速调制器加载到多波长光源（如 λ1, λ2, …, λn）上。携带数据的光波进入包含多个串联微环谐振腔的波导，通过热敏电阻改变微环折射率，控制微环对特定波长光波的耦合比例。该透射率在物理上等效于神经网络权重参数 W。
物理加法器：光电探测器
经过微环调制后的不同波长光汇聚到同一根总线波导，并输入末端光电探测器。PD 天然具备积分和波长不敏感特性，其输出光生电流即为所有波长光功率之和，因此一个极低延迟的 Y=Xi·Wi 矩阵运算可在光域内瞬间完成。
打破“光算电控”瓶颈
依托无凸点混合键合（Cu-Cu Hybrid Bonding）技术，可以将用于存储权重的 SRAM 阵列和驱动电路（EIC）直接 3D 垂直贴合在光计算阵列（PIC）正上方。
电控信号传输距离缩短至 < 2 μm，将传统 ONN 系统中数模转换与控制功耗砍掉 90% 以上，真正释放光计算的能效潜力。
核心优势
优势一：近乎于零的计算能耗。在电学 GPU 中，每一次乘加运算都需要大量晶体管翻转；在 ONN 中，权重一旦设定，光子穿过波导的过程是被动的，不产生动态功耗。在 AI 推理场景下，其单位功耗算力可达 ~100 TOPS/W，是当前最先进 GPU 的 10 到 100 倍。
优势二：皮秒级超低延迟。计算速度等于光穿透硅波导的速度（硅介质中约为 10^8 m/s）。完成一次数千维度矩阵乘法仅需几十皮秒，彻底消除了电学芯片中的时钟周期等待和逻辑门延迟。
优势三：多维并行计算空间。电学导线同一时间只能传输一个电平信号；一根硅光波导可利用 WDM 技术，让几十种不同颜色的光同时互不干扰地穿过同一硬件网络，完成不同推理任务。
优势四：时钟频率的降维打击。ONN 的运行频率不受限于计算核心，而受限于输入端调制器速度。依托单波 200G 高带宽调制器技术储备，ONN 模块可轻松运行在 100 GHz 以上，远超电学芯片 2-5 GHz 的物理极限。
