2000年5月，美国克雷数学研究所(Clay Mathematics Institute，CMI )提出了7道被称为“千年大奖难题”的数学难题。 挑战者每解开一个问题，只要通过两年的验证期和专家组的审查，就能获得100万美元的奖金。
其中，P/NP问题是其中的难题，“NP完全问题”是P/NP问题中的重要问题。 最近，麻省理工学院(MIT )的研究小组在Nature Communications上发表了解决这一课题的技术方案。 他们开发了新的光子运算算法，并使用光子运算的硬件设备，试图解决NP的完整问题。
优化类型的问题可以简化为NP完全问题，但人类目前没有最佳的解答方法
P/NP问题是理论计算机科学中的重要难题，该问题包含了复杂度类别p与NP的关系； 1971年，Stephen A. Cook和Leonid Levin提出了这个问题：
复杂度类别p和NP是恒定的吗？ (P=NP？ ）
但是，要解决p是否总是等于NP的问题，会使用NP完全的概念，但NP完全问题也是“难题”。 NP完全问题的范围很广，无论是路径优化还是药物开发，只要是与优化有关的问题，都可以简化为NP完全问题。
TSP问题(旅游推销员问题、旅游推销员问题)是NP完全问题中的典型问题。 TSP问题是，一个商人要访问n个城市。 每个城市只能访问一次。 而且如果返回最后出发的城市，他应该以什么顺序访问这个n个城市才能将总路程降到最小？ 如果只有三个城市，很快就会找到答案； 但是，如果有1万个城市的话，需要进行相当大的计算。
从以上情况可以看出，问题的范围越大，解决问题所需的运算量也就越增加，是指数级的爆炸量。 目前，人类没有解决NP完全问题的最佳方法。
MIT开发了光子运算的算法，试图解决NP的完全问题
并且，MIT从NP完全问题中犹豫不决的吐司问题(Ising Problem )切入，开发了光子运算的算法。 的吐司模型(Ising Model )最初是针对磁系统建立的模型，后来扩展到更多物理现象的描述，是共同的物理问题。
虽然目前犹豫不决的吐司模型被应用于量子运算的测试标准，但MIT团队认为光子对复杂问题的解决效率高于现有的量子解决方案。 MIT团队针对犹豫不决的吐司问题，开发了光子运算算法，用光子代替电子，通过光信号的强弱，模拟了电子的两种自旋状态。
光学运算具有高频、低损耗、并行处理、低延迟等优点
目前，传统算法和量子算法可以解决犹豫的吐司问题，而MIT是第一个开发解决犹豫吐司问题的光子运算算法的团队。 据中国媒体《DeepTech深科技》报道，光学运算具有高频、低损耗、并行处理、低延迟等优势，而MIT算法避免了光学芯片的主要缺点——计算精度不及电子电路。
目前，光子运算架构是许多创新运算架构的候选。 的物理特性适用于线性运算，其中包括高维并行运算，将来有可能应用于AI硬件架构。 MIT的光子算法没有解决p和NP是否恒等的问题，但可以用于解决NP的完全问题，提供提高人类数学知识的方案； 另外，光子运算将来还有可能应用于其他领域，提高人类的科学研究技术能力。