芯片的結(jié)構(gòu)由不同的層組成，分別在光納米電路中的不同通道上傳輸光。

（分子光學(xué)神經(jīng)元電路）

研究人員使用了兩種不同的機器學(xué)習(xí)算法，分別是小規(guī)模的監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，以光脈沖的形式向后“提供”信息，以此測試全光學(xué)神經(jīng)突觸系統(tǒng)能否根據(jù)給定的光識別出具體的模式。

目前，研究人員已經(jīng)利用該技術(shù)成功實現(xiàn)了光學(xué)模式識別，并展現(xiàn)了光子神經(jīng)網(wǎng)絡(luò)的可擴展性。

在此，我們可以簡單總結(jié)一下這種新光學(xué)神經(jīng)網(wǎng)絡(luò)硬件的特殊之處：

首先，它解決了前輩們沒能解決的問題——光學(xué)計算在識別準(zhǔn)確率、可編程性、微型化上的缺陷——讓光學(xué)計算在計算機硬件領(lǐng)域的潛力帶來了新的前景。

（正在開發(fā)的光學(xué)微芯片大約只有一分錢大�。�

另外，該硬件的計算方式和大腦中神經(jīng)元突觸的信息傳遞高度相似，不僅使得信息（數(shù)據(jù)）得以在人工神經(jīng)網(wǎng)絡(luò)中傳輸，還能夠進(jìn)行有效的處理和存儲。以更類似于大腦的方式處理信息，這有助于開發(fā)更高性能的算法，進(jìn)而幫助智能機器更好地完成現(xiàn)實世界的任務(wù)。

而且，該系統(tǒng)只在光下工作，使它充分發(fā)揮了光學(xué)計算的優(yōu)勢，處理數(shù)據(jù)的速度要快很多倍，更適合用于一些大規(guī)模數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，比如醫(yī)學(xué)診斷模型等。并且更加節(jié)省能耗。

這也就不難理解，為什么有人認(rèn)為，如果高能效的可擴展光子神經(jīng)芯片最終出現(xiàn)，這一團隊的研究絕對算是開山之作了吧。

當(dāng)然，想要讓可擴展光子神經(jīng)網(wǎng)絡(luò)系統(tǒng)在現(xiàn)實中應(yīng)用，還需要做許多后續(xù)工作。

最首要的，就是增加人工神經(jīng)元和突觸的數(shù)量，以及神經(jīng)網(wǎng)絡(luò)的深度，以便進(jìn)一步接近和適應(yīng)真實的大規(guī)模計算應(yīng)用場景。

另外，芯片的制造也存在一定的限制。對此，�？巳�特大學(xué)的戴維·賴特教授表示，將使用硅技術(shù)來生產(chǎn)光學(xué)納米芯片。

另一個值得關(guān)注的問題是，系統(tǒng)中極為關(guān)鍵的相變材料，其結(jié)晶速度會吸收并減慢光速，從而限制神經(jīng)元被激發(fā)的最大速率，對于光的交叉耦合帶來一定的復(fù)雜影響。因此，每一次注入該系統(tǒng)的總光學(xué)功率都需要進(jìn)行仔細(xì)校準(zhǔn)，以保證材料對輸入信號的響應(yīng)完全符合預(yù)期。

不管怎么說，盡管光學(xué)計算硬件仍然在實現(xiàn)層面面臨著許多挑戰(zhàn)和困難，規(guī)�；瘧�(yīng)用也沒有明確的時間表。但或多或少讓我們看到了更多有趣可行的計算方式，未來世界的算力資源依舊是充沛和值得期待的。

隨著智能基建的一步步添磚加瓦，光學(xué)計算必將變得越來越重要。

文 ｜ 腦極體