神經網絡正在以席卷之勢占領計算世界。研究人員使用它們來創建機器，讓機器學習大量的此前是人類特有的技能：對象識別，面部識別，自然語言處理，機器翻譯等。所有這些技能，以及更多更多的技能，現在正成為機器的“標配”。

　　因此，創建更強大神經網絡有足夠大的推動力，因為它可以進一步推動人工智能的進步。這項工作的重點是創造電路操作更像神經元的、所謂的神經形態芯片。但是如何使這些電路在速度上獲得顯著提升？這一個問題。

　　普林斯頓大學的 Alexander Tait 和他的同事建立了世界上第一個光子神經形態芯片，同時展示了這種芯片在計算上的超速度。

　　光學計算一直被計算機科學界寄予厚望 。光子具有比電子多得多的帶寬，因此可以更快地處理更多的數據。但是光學數據處理系統的優點從未超過制造它們的額外成本，因此它們從未被廣泛采用。

　　這種情況在計算的一些領域已經開始改變，例如模擬信號處理，這些領域要求的那種超快速數據處理能力只有光子芯片可以提供。

　　現在神經網絡為光子學開辟了一個新的機會。“利用硅光子平臺的光子神經網絡可以獲得用于無線電、控制和科學計算的超快速信息處理的能力”，Tait 說。

　　核心的挑戰是， 需要制造出每個節點具有與神經元相同響應特性的光學裝置 。節點采取刻在硅襯底中的微小圓形波導的形式，在節點之間光可以流動。

　　光被輸入到節點中之后，會調制在閾值處工作的激光器輸出，在這個區域中，入射光的微小變化都會對激光器的輸出具有顯著的影響。

　　至關重要的是，系統中的每個節點都使用特定波長的光——一種稱為波分復用（wave division multiplexin）的技術。來自所有節點的光在被喂給到激光器之前可以通過總功率檢測來求和。并且激光輸出會被反饋到節點中以創建具有非線性特性的反饋電路。

　　一個很重要的問題是，這種非線性在模擬神經元活動時是多么的像。 Tait 測量了輸出，并表明它在數學上等效于被稱為連續時間遞歸神經網絡的設備。 “這個結果表明，CTRNNs的編程工具可以應用于更大的硅光子神經網絡，”他們說。

　　這一研究結果非常重要，因為它意味著 Tait 制作的設備可以立即利用這些多樣化的神經網絡類型，來極大地擴展編程技術。

　　與普通的中央處理單元對比

　　他們繼續演示如何使用由49個光子節點組成的網絡來模擬神經網絡，使用這個光子神經網絡來解決模擬某種微分方程的數學問題，并將其與普通的中央處理單元（CPU）進行比較。

　　CTRNN與CPU的比較

　　結果展示了光子神經網絡可以有多快。 “在這項任務中，光子神經網絡的有效硬件加速因子估計為1，960×”，Tait 說。這是一個三個數量級的速度。

　　這打開了一個全新行業的大門，可能會在歷史上首次將光學計算帶入主流。 Tait說：“硅光子神經網絡成為第一批進入可擴展信息處理的、更廣泛類別的硅光子系統的代表。

　　當然，這很大程度上要取決于第一代電子神經形態芯片的表現。光子神經網絡要想得到大范圍的采用，必須首先要證明自身有很大的優勢，因而也要求對其特征更加詳細的闡述。顯然，對于光子學來說，等待它的將是一段非常有趣的時間。

　　編譯：新智元

　　來源：MIT Technology Review