光神經網絡，正在照亮智能計算的未來
芯片的結構由不同的層組成，分別在光納米電路中的不同通道上傳輸光。
（分子光學神經元電路）
研究人員使用了兩種不同的機器學習算法，分別是小規(guī)模的監(jiān)督學習和無監(jiān)督學習，以光脈沖的形式向后“提供”信息，以此測試全光學神經突觸系統(tǒng)能否根據給定的光識別出具體的模式。
目前，研究人員已經利用該技術成功實現了光學模式識別，并展現了光子神經網絡的可擴展性。
在此，我們可以簡單總結一下這種新光學神經網絡硬件的特殊之處：
首先，它解決了前輩們沒能解決的問題——光學計算在識別準確率、可編程性、微型化上的缺陷——讓光學計算在計算機硬件領域的潛力帶來了新的前景。
（正在開發(fā)的光學微芯片大約只有一分錢大小）
另外，該硬件的計算方式和大腦中神經元突觸的信息傳遞高度相似，不僅使得信息（數據）得以在人工神經網絡中傳輸，還能夠進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，進而幫助智能機器更好地完成現實世界的任務。
而且，該系統(tǒng)只在光下工作，使它充分發(fā)揮了光學計算的優(yōu)勢，處理數據的速度要快很多倍，更適合用于一些大規(guī)模數據的神經網絡，比如醫(yī)學診斷模型等。并且更加節(jié)省能耗。
這也就不難理解，為什么有人認為，如果高能效的可擴展光子神經芯片最終出現，這一團隊的研究絕對算是開山之作了吧。
當然，想要讓可擴展光子神經網絡系統(tǒng)在現實中應用，還需要做許多后續(xù)工作。
最首要的，就是增加人工神經元和突觸的數量，以及神經網絡的深度，以便進一步接近和適應真實的大規(guī)模計算應用場景。
另外，芯片的制造也存在一定的限制。對此，�？巳卮髮W的戴維·賴特教授表示，將使用硅技術來生產光學納米芯片。
另一個值得關注的問題是，系統(tǒng)中極為關鍵的相變材料，其結晶速度會吸收并減慢光速，從而限制神經元被激發(fā)的最大速率，對于光的交叉耦合帶來一定的復雜影響。因此，每一次注入該系統(tǒng)的總光學功率都需要進行仔細校準，以保證材料對輸入信號的響應完全符合預期。
不管怎么說，盡管光學計算硬件仍然在實現層面面臨著許多挑戰(zhàn)和困難，規(guī)模化應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，光學計算必將變得越來越重要。
文 ｜ 腦極體
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
