# Photonic Neural Network

> Use when working with photonic neural networks — optical computing, MZI, silicon photonics

- Skill: `liaosw97/photonic-neural-network` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add liaosw97/photonic-neural-network`
- Raw SKILL.md: https://api.skillmd.com/api/skills/liaosw97/photonic-neural-network/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Research & Search
- Author: liaosw97 (https://skillmd.com/u/liaosw97)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/liaosw97/photonic-neural-network

---


## 核心原则
- 光速计算优势：充分利用光子并行处理和超低延迟特性
- 能效优先：追求亚皮焦耳级别的计算能耗，超越电子计算能效极限
- 光电协同设计：合理划分光域计算与电域控制的功能边界
- 制造可行性：设计方案需考虑现有硅光工艺的制造约束
- 系统集成：实现光学计算单元与电子系统的无缝集成

## 技术栈
- 硅光子学（Silicon Photonics）：基于CMOS兼容工艺的光子集成电路技术
- 马赫-曾德尔干涉仪（MZI）：可编程光学矩阵运算的核心器件
- 微环谐振器（Micro-ring Resonator）：高密度波分复用和滤波器件
- 相变材料（PCM）：非易失性光学存储和可重构光路
- 波导网络（Waveguide Network）：光信号传输和互联的基础结构
- 光电探测器（Photodetector）：光信号到电信号转换的关键器件
- 激光器阵列（Laser Array）：多波长光源，支持波分复用计算

## 最佳实践
1. **光学矩阵运算设计**：使用MZI网格实现任意酉矩阵运算；利用相移器实现可编程权重调节；采用格雷格架构减少器件数量和控制复杂度

2. **非线性激活实现**：利用光与物质相互作用实现光学非线性；采用可饱和吸收体、光子晶体结构实现光学激活函数；结合电域非线性模块实现复杂激活函数

3. **训练与优化**：使用伴随变量法计算光学系统的梯度；采用物理约束感知训练将器件非理想特性纳入模型；实施器件误差校准和补偿算法

4. **系统集成与封装**：设计高效的光纤-芯片耦合方案；优化热管理确保器件稳定性；实现激光器、调制器、探测器与计算单元的单片集成

5. **应用场景适配**：针对卷积运算优化光学架构，适合图像处理任务；利用波长并行性加速矩阵-向量乘法，适合神经网络推理；设计专用加速器优化特定工作负载

## 关键约定
1. 光学计算单元尺寸应考虑工艺限制，典型MZI长度为毫米量级
2. 相移器功耗需控制在毫瓦级别，确保整体能效优势
3. 光学信噪比应高于 20dB，保证计算精度
4. 器件工作温度稳定性要求 ±0.1°C，减少热串扰影响
5. 光电接口带宽需匹配计算速率，避免成为系统瓶颈