4 月 21 日消息，据最新一期《自然・光子学》杂志报道，美国宾夕法尼亚大学的『工程师』们开发了首款能够利用光进行非线性神经网络训练的可编程『芯片』。
该『芯片』可以使用光来训练非线性神经网络 —— 这一突破可以显著加快 AI 训练速度，减少能耗，甚至为全光计算机铺平道路。
▲ 『芯片』内部的图像 —— 白色虚线框是输入，黄色虚线框是输出
当前的 AI 『芯片』是电子的，依赖电力进行计算，而这款新『芯片』是光子『芯片』。在《自然・光子学》杂志的描述中，这款『芯片』改变了光的行为，以执行现代 AI 核心中的非线性数学。
目前大多数 AI 系统都依赖于神经网络，这是一种模仿生物神经组织的软件。正如神经元连接起来使生物体能够思考一样，神经网络通过连接简单单元或“节点”的层，使 AI 系统能够执行复杂任务。
该团队的突破始于一种特殊的『半导体』材料，它能对光做出反应。当一束“信号”光（携带输入数据）穿过该材料时，一束从上方照射的“泵浦”光束调整材料如何反应。
通过改变泵浦光的形状和强度，团队可以控制信号光的吸收、传输或放大，这取决于光的强度和材料的行为。这个过程“编程”『芯片』执行不同的非线性函数。
值得注意的是，这项研究并未改变『芯片』的基础结构，而是利用光在材料内部形成的图案来重塑光线穿越的方式。这造就了一个可以根据泵浦模式表达多种数学函数的可重构系统，使其具有实时学习能力，能根据输出反馈调整自身行为。
为了验证该『芯片』的能力，团队用其解决了多项基准 AI 问题。在简单的非线性决策边界任务中，实现了超过 97% 的准确率；在著名的鸢尾花数据集问题上，达到了 96% 以上的准确率。这表明，与传统数字神经网络相比，光子『芯片』不仅性能相当，甚至更优，而且能耗更低，因为它们减少了对耗电元件的依赖。
此外，实验还显示，只需 4 个非线性的光学连接就能达到传统模型中 20 个固定非线性激活函数线性电子连接的效果，展示了该技术的巨大潜力。随着架构的进一步扩展，效率将更加显著。
不同于以往制造后固定的光子系统，这款新『芯片』提供了一个空白的平台，可通过泵浦光的作用如同画笔般绘制出可编程指令，是现场可编程光子计算机概念的一次实际证明，标志着向光速训练 AI 迈进的重要一步。
【来源： 】
