====== 第十章：计算机系统前沿 ======
* [[#10.1 计算机发展趋势|10.1 计算机发展趋势]]
* [[#10.2 量子计算|10.2 量子计算]]
* [[#10.3 神经形态计算|10.3 神经形态计算]]
* [[#10.4 光计算|10.4 光计算]]
* [[#10.5 新型存储技术|10.5 新型存储技术]]
* [[#10.6 存算一体|10.6 存算一体]]
* [[#10.7 后摩尔时代技术|10.7 后摩尔时代技术]]
* [[#10.8 练习题|10.8 练习题]]
----
===== 章节概述 =====
本章介绍计算机系统的前沿技术和发展趋势，包括量子计算、神经形态计算、光计算、新型存储技术、存算一体以及后摩尔时代的技术方向。通过本章学习，了解计算机科学的未来发展方向。
**学习目标**：
* 理解摩尔定律的放缓及其影响
* 掌握量子计算的基本原理和应用
* 了解神经形态计算的特点和优势
* 理解光计算的概念和挑战
* 掌握新型存储技术的特点
* 了解存算一体技术的原理
* 了解后摩尔时代的技术方向
**本章重点**：
- 量子计算的基本原理
- 新型计算技术的特点
- 计算机发展趋势
- 新型存储技术
**本章难点**：
- 量子计算的原理理解
- 各种前沿技术的应用场景
- 技术之间的比较和选择
----
===== 10.1 计算机发展趋势 =====
====== 10.1.1 摩尔定律的放缓 ======
**摩尔定律**：集成电路上可容纳的晶体管数量每18-24个月翻一番，性能也随之提升。
**摩尔定律的成就**：
* 过去50年，晶体管数量从数千增长到数百亿
* 处理器性能提升超过100万倍
* 成本大幅下降
* 计算机从机房走向桌面，再到口袋
**当前挑战**：
* **物理极限**：制程工艺接近原子尺度（3nm、2nm）
* **功耗墙**：晶体管密度增加导致功耗密度急剧上升
* **量子效应**：纳米尺度下量子隧穿效应显著
* **制造成本**：先进制程的晶圆厂投资超过200亿美元
摩尔定律发展趋势：
晶体管数量
│
10⁹ │ ╱ 预期趋势
│ ╱
10⁶ │ ╱───────────
│ ╱ 实际趋势
10³ │───────╱
│
└──────────────────────→ 时间
1970 2000 2020 2040
**发展趋势**：
* 从单一性能提升转向多维度优化
* 专用芯片兴起（领域专用架构DSA）
* 新计算范式探索（量子、神经形态等）
* 三维集成和先进封装
====== 10.1.2 异构计算 ======
**异构计算**：在统一系统中使用不同类型的处理器协同工作，各尽其能。
异构计算架构：
┌─────────────────────────────────────────────────┐
│ 异构计算系统 │
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ CPU │ │ GPU │ │ NPU │ │
│ │ 控制+ │ │ 数据 │ │ AI │ │
│ │ 串行 │ │ 并行 │ │ 加速 │ │
│ └────┬────┘ └────┬────┘ └────┬────┘ │
│ └─────────────┼─────────────┘ │
│ │ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ FPGA │ │ DPU │ │ TPU │ │
│ │ 可编程 │ │ 数据 │ │ 张量 │ │
│ │ 加速 │ │ 处理 │ │ 处理 │ │
│ └─────────┘ └─────────┘ └─────────┘ │
│ │
│ 统一内存地址空间（如CUDA Unified Memory） │
└─────────────────────────────────────────────────┘
**专用加速芯片**：
| 芯片类型 | 全称 | 功能 | 代表产品 |
|---------|------|------|---------|
| NPU | 神经网络处理单元 | AI推理加速 | 华为昇腾、苹果Neural Engine |
| TPU | 张量处理单元 | 深度学习训练和推理 | Google TPU |
| DPU | 数据处理单元 | 网络、存储、安全加速 | NVIDIA BlueField |
| VPU | 视觉处理单元 | 视频编解码、CV | Intel Movidius |
**异构计算优势**：
* 不同任务使用最适合的处理器
* 整体能效比优化
* 性能提升不受单一处理器限制
----
===== 10.2 量子计算 =====
====== 10.2.1 量子计算的基本概念 ======
**量子计算**：利用量子力学原理（叠加态、纠缠态）进行计算的新型计算模式。
**量子比特（Qubit）**：
* 经典比特：0或1
* 量子比特：可以是0和1的叠加态
* 表示：|ψ⟩ = α|0⟩ + β|1⟩
* α和β是复数，满足|α|² + |β|² = 1
* |α|²表示测量结果为0的概率，|β|²表示测量结果为1的概率
量子比特 vs 经典比特：
经典比特： 量子比特：
┌─────┐ ┌─────────────┐
│ 0 │ 或 │ α|0⟩+β|1⟩ │
│ 1 │ │（叠加态） │
└─────┘ └─────────────┘
n个经典比特：表示2ⁿ个状态中的一个
n个量子比特：同时表示2ⁿ个状态的叠加
**量子叠加**：
* 一个量子比特可以同时处于0和1
* n个量子比特可以同时表示2ⁿ个状态的叠加
* 这种并行性是量子计算加速的来源
**量子纠缠**：
* 多个量子比特之间存在强关联
* 测量一个量子比特会瞬间影响其他纠缠的量子比特
* 即使相距很远（量子非局域性）
* 爱因斯坦称之为"幽灵般的超距作用"
**量子干涉**：
* 量子态可以相互干涉，增强正确答案的概率，抑制错误答案
* 量子算法设计的关键
====== 10.2.2 量子计算的优势 ======
**指数级并行性**：
* n个量子比特可同时处理2ⁿ个状态
* 50个量子比特可同时处理约1千万亿个状态
* 适合大规模并行计算问题
**量子算法**：
| 算法 | 提出者 | 功能 | 加速比 |
|------|--------|------|--------|
| Shor算法 | Peter Shor (1994) | 大数质因数分解 | 指数级加速 |
| Grover算法 | Lov Grover (1996) | 无序数据库搜索 | 平方级加速 |
| HHL算法 | Harrow-Hassidim-Lloyd | 解线性方程组 | 指数级加速 |
| VQE/QAOA | - | 量子化学/优化 | 启发式优势 |
**Shor算法**：
* 在多项式时间内完成大数质因数分解
* 经典算法需要指数时间
* 对RSA等公钥加密算法构成威胁
* 1024位RSA密钥，经典计算机需要数亿年，量子计算机可能只需数小时
**Grover算法**：
* 在无序数据库中搜索目标项
* 经典算法需要O(N)次查询
* 量子算法只需O(√N)次查询
* 平方级加速，可用于密码学、优化问题
量子算法应用前景：
密码学 药物设计 金融建模
│ │ │
▼ ▼ ▼
Shor算法 量子模拟 蒙特卡洛
破解RSA 分子模拟 加速
│ │ │
└───────────────┴─────────────────┘
│
┌────────┴────────┐
▼ ▼
量子机器学习 组合优化问题
模式识别加速 物流、调度优化
====== 10.2.3 量子计算现状 ======
**技术路线**：
| 技术路线 | 原理 | 优势 | 挑战 | 代表 |
|---------|------|------|------|------|
| 超导量子比特 | 超导电路的量子态 | 可扩展性好、速度快 | 需要极低温（~15mK） | IBM、Google |
| 离子阱 | 囚禁离子的能级 | 相干时间长、保真度高 | 扩展困难、速度慢 | IonQ、Honeywell |
| 光量子 | 光子的偏振/路径 | 室温运行、低噪声 | 难以实现两比特门 | PsiQuantum、Xanadu |
| 拓扑量子 | 任意子 | 容错性强 | 理论阶段 | Microsoft |
| 半导体 | 硅基量子点 | 可利用现有半导体工艺 | 相干时间短 | Intel |
**发展里程碑**：
* 1998年：首个2量子比特量子计算机
* 2012年：首次实现拓扑量子比特
* 2019年：Google宣布"量子优越性"（53量子比特，200秒完成经典计算机1万年的任务）
* 2021年：中国"九章"光量子计算机实现量子优越性
* 2023年：IBM推出1000+量子比特的Condor处理器
**当前挑战**：
* **量子纠错**：需要物理量子比特实现一个逻辑量子比特（比例约1000:1）
* **相干时间**：量子态容易受到环境干扰（退相干）
* **错误率**：当前错误率约0.1-1%，需要降到0.0001%以下
* **可扩展性**：扩展到数百万量子比特
* **低温要求**：大多数技术需要接近绝对零度
量子计算发展路线图：
当前 ──→ NISQ时代 ──→ 容错量子计算 ──→ 大规模应用
│ │ │
▼ ▼ ▼
50-1000 1000-10000 100万+
含噪声量子 纠错量子比特 通用量子
比特 原型机 计算机
量子优越性 解决实际问题 改变世界的
演示 （药物、材料） 应用
----
===== 10.3 神经形态计算 =====
====== 10.3.1 神经形态计算概述 ======
**神经形态计算**：模仿人脑神经网络结构和功能的计算模式，也称为"脑启发计算"。
**人脑的特点**：
* 约860亿神经元，100万亿突触连接
* 功耗仅20W（相当于一个节能灯泡）
* 高度并行处理
* 事件驱动（只在有信号时工作）
* 容错性强（部分神经元损坏不影响整体功能）
* 自适应学习
**与传统计算的对比**：
| 特性 | 传统计算机 | 人脑/神经形态 |
|------|-----------|--------------|
| 架构 | 冯·诺依曼（存算分离） | 神经网络（存算一体） |
| 处理 | 串行为主，精确计算 | 高度并行，近似计算 |
| 存储 | 分离的内存和处理器 | 分布式存储（突触） |
| 功耗 | 高（100W+） | 极低（20W） |
| 学习方式 | 固定程序 | 自适应学习 |
| 容错性 | 低（一位错误可能导致崩溃） | 高 |
神经形态计算架构：
传统计算机： 神经形态芯片：
┌─────────┐ ┌─────────┐ ┌─────────────────────┐
│ 处理器 │<──>│ 内存 │ │ 神经元网络 │
│ (CPU) │ │ (RAM) │ │ ┌───┐ ┌───┐ │
└─────────┘ └─────────┘ │ │ N │──→│ N │ │
↑↓ 数据总线 │ └───┘ └───┘ │
（冯·诺依曼瓶颈） │ ↓ ↑ │
│ ┌───┐ ┌───┐ │
│ │ N │←──│ N │ │
│ └───┘ └───┘ │
│ 突触（存算一体） │
└─────────────────────┘
**神经形态计算的优势**：
* **极低功耗**：事件驱动，只在有活动时消耗能量
* **实时学习**：在线学习，无需离线训练
* **容错性强**：部分神经元失效不影响整体功能
* **适合感知任务**：模式识别、异常检测
====== 10.3.2 神经形态芯片 ======
**代表产品**：
| 芯片 | 厂商 | 规模 | 特点 |
|------|------|------|------|
| Loihi | Intel | 13万神经元，1.3亿突触 | 自学习、异步计算 |
| TrueNorth | IBM | 100万神经元，2.56亿突触 | 极低功耗（70mW） |
| SpiNNaker | 曼彻斯特大学 | 10亿神经元 | 大规模神经模拟 |
| Tianjic | 清华大学 | 支持多种神经网络 | 通用神经形态芯片 |
| Akida | BrainChip | 支持SNN | 边缘AI应用 |
**Intel Loihi**：
* 第三代神经形态芯片（2021年）
* 每个芯片100万神经元
* 支持片上学习
* 功耗比传统CPU低1000倍
**IBM TrueNorth**：
* 54亿晶体管，功耗仅70mW
* 100万个神经元，2.56亿个突触
* 事件驱动，异步处理
* 54亿晶体管的功耗比一颗LED灯还低
**应用场景**：
* 模式识别（语音、图像、手势）
* 机器人控制
* 边缘AI（低功耗实时处理）
* 异常检测
* 自主导航
----
===== 10.4 光计算 =====
====== 10.4.1 光计算的概念 ======
**光计算**：利用光子进行信息处理和计算的技术，也称为光学计算或光子计算。
**光计算的优势**：
* **高速度**：光速传输，延迟极低
* **高带宽**：光载波频率高（THz级），可密集波分复用
* **低干扰**：不受电磁干扰（EMI）
* **低功耗**：传输损耗小，不需要金属导线充电
* **并行性**：光波可以叠加，天然支持并行计算
**光计算的挑战**：
* **光子间难以相互作用**：光子是玻色子，不直接相互作用，需要非线性介质
* **器件尺寸较大**：光学元件比电子元件大
* **与电子系统集成困难**：光电转换存在损耗和延迟
* **存储困难**：光存储技术不如电存储成熟
光计算 vs 电计算：
特性 电计算 光计算
────────────────────────────────────────
传输速度 接近光速（介质中） 光速
带宽 GHz THz
干扰 电磁干扰 无
并行性 有限 天然并行
器件尺寸 纳米级 微米级
逻辑实现 容易 困难（非线性）
存储 成熟 困难
集成度 极高 较低
====== 10.4.2 光计算的类型 ======
**光学模拟计算**：
* 利用光的干涉和衍射进行模拟运算
* 适合矩阵运算、傅里叶变换
* 速度快，但精度有限
**光学数字计算**：
* 实现逻辑门和数字电路
* 精度高，但实现复杂
* 需要光学晶体管等器件
**硅光技术**：
* 在硅芯片上集成光学器件
* 光电子集成（OEIC）
* 光互连（替代芯片间/片内电互连）
**光神经网络**：
* 光学实现矩阵-向量乘法
* 加速深度学习推理
* 代表：Lightmatter、Lightelligence
光神经网络加速：
输入光信号 ──→ 马赫-曾德尔干涉仪阵列（MZI）──→ 输出光信号
↓
实现矩阵乘法
（权重编码在相位中）
↓
光电探测器
↓
电信号输出
优势：矩阵乘法是神经网络的核心运算，
光计算可以在光速下完成，
功耗比GPU低数个数量级
**光计算应用前景**：
* 光互连：芯片间、板间光通信
* 神经网络加速
* 量子计算接口
* 大规模并行信号处理
----
===== 10.5 新型存储技术 =====
====== 10.5.1 存储墙问题 ======
**存储墙（Memory Wall）**：处理器与存储器之间的速度差距越来越大，成为系统性能瓶颈。
**问题描述**：
* 处理器速度每年提升约50%
* 内存速度每年仅提升约7%
* 处理器需要等待数据从内存加载
**解决方案**：
* 存储器层次结构（Cache、内存、磁盘）
* 新型存储技术
* 存算一体
存储墙示意：
性能增长
│
│ 处理器 ╱
│ ╱
│ ╱
│ ╱
│ 内存 ╱
│ ╱
│ ╱
│磁盘╱
│
└─────────────────→ 时间
====== 10.5.2 新型存储器 ======
**MRAM**（磁阻RAM - Magnetoresistive RAM）：
* 利用磁阻效应存储数据
* 非易失性（断电后数据保留）
* 速度快（接近SRAM）、功耗低
* 耐久性高（无限次读写）
* 应用：缓存、嵌入式存储
**ReRAM**（阻变RAM - Resistive RAM）：
* 基于电阻变化存储
* 非易失性
* 高密度、低功耗
* 可实现存算一体
* 应用：存储级内存（SCM）、存算一体
**PCRAM**（相变RAM - Phase Change RAM）：
* 利用相变材料（如Ge2Sb2Te5）的晶态/非晶态变化
* 非易失性
* Intel傲腾（Optane）技术基础
* 应用：存储级内存
**FeRAM**（铁电RAM - Ferroelectric RAM）：
* 利用铁电材料的极化特性
* 非易失性、低功耗、快速
* 耐久性有限（10^12次）
* 应用：RFID、智能卡
存储技术对比：
技术 易失性 速度 密度 耐久性 应用
────────────────────────────────────────────────────────
SRAM 易失 最快 低 无限 Cache
DRAM 易失 快 中 好 内存
Flash 非易失 慢 高 有限 SSD/存储
MRAM 非易失 很快 中 无限 缓存/存储
ReRAM 非易失 快 很高 好 存算一体
PCRAM 非易失 中 中 有限 存储级内存
FeRAM 非易失 快 低 有限 嵌入式
性能：SRAM > MRAM > FeRAM > DRAM > ReRAM > PCRAM > Flash
**存储级内存（SCM - Storage Class Memory）**：
* 介于DRAM和Flash之间的存储层级
* 非易失性、字节寻址
* 可替代或扩展DRAM
* 代表：Intel Optane DC Persistent Memory
------
===== 10.6 存算一体 =====
====== 10.6.1 冯·诺依曼瓶颈 ======
**冯·诺依曼瓶颈**：传统计算机架构中，处理器和存储器分离，数据需要在两者之间频繁传输，造成时间和能量的大量消耗。
**瓶颈表现**：
* 数据搬运消耗90%以上的能量
* 内存带宽成为性能瓶颈
* "存储墙"问题
**存算一体（Computing in Memory, CIM）**：在存储器中进行计算，减少或消除数据传输。
冯·诺依曼架构 vs 存算一体架构：
冯·诺依曼架构： 存算一体架构：
┌───────┐ ┌─────────────────────┐
│ 处理器 │ │ 存算一体阵列 │
└───┬───┘ │ ┌───┐ 计算 ┌───┐ │
│ 数据总线 │ │存储│←──→│存储│ │
▼ │ └───┘ └───┘ │
┌───────┐ │ ↑ ↑ │
│ 内存 │ │ 计算在存储中进行 │
└───────┘ └─────────────────────┘
↑↓ 频繁数据传输 计算和存储融合
====== 10.6.2 存算一体技术 ======
**实现方式**：
* **模拟存算一体**：利用存储单元的模拟特性进行矩阵乘法
* **数字存算一体**：在存储器附近集成计算逻辑
**适用技术**：
* ReRAM：电阻值可直接参与计算
* SRAM：传统技术，易于实现
* DRAM：刷新周期中进行计算
* MRAM：非易失存算一体
**存算一体优势**：
* 大幅减少数据搬运
* 显著降低功耗（数据搬运比计算更耗能）
* 提高带宽和吞吐量
* 特别适合神经网络（矩阵运算密集）
**代表产品/研究**：
* Mythic AI：基于Flash的模拟存算一体
* UPMEM：计算型DRAM
* 知存科技：基于Flash的存算一体芯片
存算一体在神经网络中的应用：
输入向量 ──→ 存算一体阵列 ──→ 输出结果
↓
┌─────────┐
│ 权重存储 │ ← 权重值存储在存储单元中
│ (ReRAM)│
└────┬────┘
│
欧姆定律：I = V × G
（电流 = 电压 × 电导）
矩阵乘法在模拟域完成
----
===== 10.7 后摩尔时代技术 =====
====== 10.7.1 先进封装技术 ======
**Chiplet技术**：
* 将大芯片拆分为多个小芯片（Chiplet）
* 各自制造后通过先进封装集成
* 降低成本，提高良率
* 不同工艺节点混合集成
**2.5D/3D封装**：
* **2.5D**：芯片并排放在硅中介层上
* **3D**：芯片垂直堆叠
* 缩短互联距离，提高带宽
* 降低功耗
先进封装技术：
传统封装： 2.5D封装： 3D封装：
┌─────┐ ┌─────────┐ ┌─────────┐
│芯片 │ │芯片1芯片2│ │ 芯片2 │
└──┬──┘ └───┬─────┘ └────┬────┘
│ 引线 │ 硅中介层 │ TSV
▼ ▼ ▼
┌─────┐ ┌─────────┐ ┌─────────┐
│基板 │ │ 基板 │ │ 芯片1 │
└─────┘ └─────────┘ └────┬────┘
│
┌─────────┐
│ 基板 │
└─────────┘
TSV：硅通孔（Through-Silicon Via）
**代表技术**：
* CoWoS（TSMC）
* EMIB（Intel）
* HBM（高带宽内存）
====== 10.7.2 新材料和新器件 ======
**碳纳米管（CNT）**：
* 优异的电学特性
* 可能比硅更高的迁移率
* 可制造更小尺寸的晶体管
* 挑战：批量生产、纯度控制
**二维材料（如石墨烯、MoS₂）**：
* 原子级厚度
* 优异的电学、光学特性
* 适合超短沟道晶体管
**自旋电子学**：
* 利用电子自旋而非电荷
* 非易失性、低功耗
* MRAM的基础
**负电容晶体管（NC-FET）**：
* 降低亚阈值摆幅
* 实现更低的工作电压
* 进一步降低功耗
**神经形态器件**：
* 忆阻器（Memristor）
* 相变器件
* 实现存算一体、类脑计算
------
===== 10.8 练习题 =====
==== 一、选择题 ====
1. 量子计算的基本单位是（ ）
A. 比特 B. 量子比特 C. 字节 D. 字
2. 以下哪种算法是量子算法（ ）
A. 快速排序 B. Shor算法 C. Dijkstra算法 D. 动态规划
3. 神经形态计算模仿的是（ ）
A. 心脏 B. 大脑 C. 眼睛 D. 耳朵
4. 以下不属于新型存储器的是（ ）
A. MRAM B. ReRAM C. DRAM D. PCRAM
5. 存算一体技术主要解决（ ）
A. 计算速度慢 B. 存储容量小 C. 存储墙问题 D. 功耗高
6. n个量子比特可以同时表示（ ）个状态
A. n B. 2n C. n² D. 2ⁿ
7. 以下哪种光计算技术最接近商业化（ ）
A. 光学数字计算 B. 光互连 C. 纯光计算机 D. 光存储
8. Chiplet技术的主要优势是（ ）
A. 提高单芯片性能 B. 降低成本、提高良率 C. 减少封装步骤 D. 提高工作频率
9. 以下哪种技术不是后摩尔时代的技术方向（ ）
A. 继续缩小晶体管 B. 先进封装 C. 新材料 D. 存算一体
10. 神经形态芯片TrueNorth的功耗大约是（ ）
A. 100W B. 10W C. 1W D. 70mW
==== 二、填空题 ====
1. 量子力学的两个重要特性是_______和_______。
2. 量子计算中的Shor算法用于_______，Grover算法用于_______。
3. 神经形态计算的代表芯片有Intel的_______和IBM的_______。
4. 新型存储技术包括_______、_______和_______。
5. 存算一体技术的主要优势是减少_______和降低_______。
6. 2.5D封装使用_______技术连接多个芯片。
7. 光计算的优势包括高速度、高带宽、_______和_______。
8. 摩尔定律指出，集成电路上可容纳的晶体管数量每_______个月翻一番。
9. 异构计算中，NPU用于_______加速，DPU用于_______加速。
10. 量子计算的技术路线包括超导量子比特、_______、_______和拓扑量子等。
==== 三、简答题 ====
1. 简述量子计算的基本原理和优势。
2. 什么是神经形态计算？它有什么特点？
3. 简述新型存储技术的发展趋势。
4. 为什么需要发展新型计算技术？
5. 简述存算一体技术的原理和优势。
6. 什么是Chiplet技术？它有什么优势？
7. 简述光计算的概念、优势和挑战。
==== 四、论述题 ====
1. 结合所学内容，论述后摩尔时代计算机体系结构的发展趋势。
----
**参考答案**：
一、选择题：1.B 2.B 3.B 4.C 5.C 6.D 7.B 8.B 9.A 10.D
二、填空题：
1. 量子叠加、量子纠缠
2. 大数质因数分解、无序数据库搜索
3. Loihi、TrueNorth
4. MRAM、ReRAM、PCRAM（或FeRAM）
5. 数据搬运、功耗
6. 硅中介层
7. 低干扰（不受电磁干扰）、低功耗
8. 18-24
9. AI（神经网络）、数据（网络/存储/安全）
10. 离子阱、光量子
三、简答题：
1. 量子计算利用量子力学原理（叠加态、纠缠态）进行计算。n个量子比特可同时表示2ⁿ个状态，具有指数级并行性。优势：Shor算法可快速分解大数，Grover算法可加速搜索。
2. 神经形态计算模仿人脑神经网络进行计算。特点：存算一体、事件驱动、极低功耗、容错性强、自适应学习。
3. 新型存储技术向非易失、高速、高密度方向发展，包括MRAM、ReRAM、PCRAM等，目标是缩小内存与存储的鸿沟，支持存算一体。
4. 摩尔定律放缓，传统缩放遇到物理极限；功耗墙限制；新应用（AI、大数据）需要新架构；需要更高能效比的计算。
5. 存算一体在存储器中进行计算，减少数据在处理器和存储器之间的搬运。优势：减少数据搬运开销、降低功耗、提高带宽和吞吐量。
6. Chiplet将大芯片拆分为多个小芯片分别制造后集成。优势：降低成本、提高良率、支持不同工艺节点混合、灵活组合。
7. 光计算利用光子进行计算。优势：高速度、高带宽、不受电磁干扰、低功耗。挑战：光子间难以相互作用、器件尺寸大、与电子系统集成困难。
四、论述题：
1. 要点：
- 从通用计算转向异构计算和领域专用架构
- 从单一芯片优化转向系统级优化（先进封装）
- 从电荷计算探索新计算范式（量子、神经形态、光计算）
- 从存算分离转向存算一体
- 新材料和新器件的探索
- 从性能优先转向能效优先