基于人工神经网络算法的计算机深度自学系统已沦为目前计算机领域研究的前沿热点，它的原理是使人工神经网络算法仿效人脑从实践中自学的方式展开自学。它除了可以用来构建面部和声音辨识以外，还可通过搜索大量的医学数据来展开医学临床，或者通过搜索化学方程式来找寻潜在的新药制备方式。

但是这类的系统的计算出来非常复杂，对机器拒绝很高，即使对于现有性能最弱的计算机也不是件更容易的事。然而，来自于MIT的研究团队和他们的合作者，明确提出一种新的方法，用光子替换电子，来展开计算出来。他们回应这种方法将不会大大提高计算速度和效率。

他们的实验结果2020-03-30 公开发表在知名期刊《大自然.光子学》（NaturePhotonics）上，论文作者还包括MIT博士后沈亦晨，研究生NicholasHarris,MarinSolja?i?和DirkEnglund教授以及另外8个合作研究者。图丨可编程纳米光子处理器概念图事实上，很多研究者长期以来都在推展基于光子的计算机。

但Solja?i?回应，“他们过于过分悲观，结果往往事与愿违”。尽管很多基于光子计算机的应用于都是不切实际的，但基于光子的神经网络系统“有可能对于某些应用于的深度自学算法是不切实际的”，他说。

Solja?i?的言论并非毫无道理。众所周知，在人工智能算法中，包括有多次矩阵相加的运算，基于传统计算机架构的CPU和GPU在处置这些运算的时候十分吃力，计算出来效率较低。针对这一问题，Solja?i?和他的研究团队经过多年的研究明确提出了这种基于光学的计算方法。

“这种光学芯片的优点在于一但被设置好，那么它积极开展矩阵乘法运算所消耗的能量，理论上说道可以为0。”Solja?i?说道，“虽然目前我们还没有研制出整个系统，但早已构建了核心部件的检验”图丨MarinSolja?i?Solja?i?打比方说道，即使是一个最普通的眼镜镜片也不会对穿越它的光波有一个简单的运算：傅立叶转换。

新的光子芯片所继续执行的运算虽然比傅立叶转换非常简单的多，但基本原理类似于。这种芯片用于多光束干涉技术，其干预条纹信息体现了所须要计算出来的结果。研究者称之为这种芯片为可编程纳米光子处理器。

沈亦晨回应，实验结果显示这种光子芯片架构理论上可以以更慢的速度、更加小的功耗来运营人工智能算法：展开完全相同的一次运算所需的能量损耗甚至高于传统芯片的千分之一。“利用光子来做到矩阵乘法运算的内秉属性是功耗减少和速度提高的主要原因，因为密集的矩阵乘法运算是人工智能算法中最耗时间和功率的。”图丨沈亦晨这种纳米光子处理器由Englund实验室的Harris等人研发。

它基于一系列相互连接的光波导对光子展开制导，这些光波导的相连可根据必须展开原作和编程，以构建特定的运算目的。“你可以编程构建任一矩阵操作者”Harris说道。团队的终极计划是利用多层交叠的装置构建非线性转录函数操作者，就像大脑中神经元的起到一样。

为了检验这一概念，团队利用这个可编程纳米光子处理器去构建识别四个基本元音的神经网络算法。结果找到，尽管意味着用于了一个初级的系统，他们也取得了77%的准确率，而传统系统的准确率为90％。

Solja?i?回应，拓展系统以取得更高的准确度“不不存在障碍”。Englund补足道，这个可编程纳米光字处理器也可得其他方面的用途，如数据传输过程中的信号处理。

“高速仿真信号处理是此类处理器可以已完成的”，而且要快得多那些基于仿真——数字切换的方法，因为光本身就是一种仿真的介质。“这种方法可以必要在仿真域展开运算”他说道到。

与此同时，团队也回应还必须大量的时间和希望来使得这个系统可以实际应用于。而且，一旦这种系统拓展顺利并且几乎的充分发挥其起到，它可以有十分多的应用于，比如数据中心或安全性系统。这个系统还可以用作无人驾驶汽车或无人机，Harris回应，“在任何你必须展开大量运算但却受到时间和功率容许的情况下，它都可以派上用场。

本文来源：米乐m6-www.sclhdkj.com