【PG电子官方网站】MIT研发光学深度神经网络：几乎不需能耗

深度自学计算机系统是基于人工神经网络（ArtificialNeuralNetworks）仿效人脑自学方法的一种系统，现沦为计算机科学领域的热门话题。深度自学不仅助力了面部和声音辨识软件的发展，还为医疗领域降下了大量数据辅助临床。但这些系统必须继续执行的计算出来是非常复杂和严苛的，即使是对配备最弱的计算机来说，计算出来依然是个极大的挑战。

目前，研发人员早已研发出有一种新型的计算出来方式——他们用光子替换电子作为信息运送介质，很大提升了某些深度自学中计算出来的速度和效率。这项成果由11个人共同完成，有来自MIT的博士后YichenShen，研究生NicholasHarris，教授MarinSoljacic和DirkEnglund和来自其他地方的研究人员。目前，他们的论文成果早已刊出在《NaturePhotonics》期刊上。教授Soljacic回应，光学计算机早已被很多研究人员提倡了很多年了，就是因为人们过度鼓吹，才造成如今样子看上去有点让人沮丧，感觉事与愿违。

虽然有很多人倡导用于光学计算机，但研究成果并不简单。这个团队研究的光神经网络系统能应用于到很多程序上。传统计算机的架构在处置某些最重要神经网络任务所须要计算出来时并不是很有效地。

这样的任务一般来说牵涉到反复的矩阵乘法，必须在CPU和GPU上展开密集的计算出来。经过多年研究，这个MIT明确提出了一种忽略的方式继续执行这种操作者。“一旦你调试好这个芯片，它就能运营矩阵乘法。

应以谈它完全不必须能量，”Soljacic说道，“我们早已展示了关键模块，但还没全部发布。”Soljacic用转换的方式说明了新的系统的原理。

即使是普通的眼镜片，也不会在经过它的光波上展开简单的计算出来(也就是所谓的傅立叶转换)。光束在新的光子芯片中展开计算出来的方式式与其基本原理相近。

这种新方法用于多个光束传播，它们的波会相互作用，产生阻碍模式，从而表达出有预期的操作者的结果。研究人员称之为这种设备为可编程的纳米光子处理器。据YichenShen叙述，用于这种架构的光学芯片，应以可以在传统人工智能算法中展开运算，比传统的电子芯片要更快，但用于的能量还不及千分之一。

他说道:“用光运营矩阵乘法计算出来的天然优势就是，它在加快和省电方面起最重要起到，因为密集的矩阵乘法是AI算法中最耗电量和耗时的那部分。”这个新型可编程纳米光子处理器，是由Harris和合作人员在Englund实验室共同开发的。它用于了一系列的波导管（传输微波波段的电磁波装置），这些波导管相互连接，可以根据必须展开改动，为特定的计算出来编程。“你可以在任何矩阵运算中编程。

”Harris说道。处理器通过一系列耦合光子波导来引领光线。他们拒绝设备的交叠层应用于非线性转录函数，与大脑神经元的操作者展开转换。

为了展示这一概念，研究小组设置了可编程的纳米光子处理器来构建一个需要辨识四种基本元音的神经网络。即使有了这个基本的系统，他们也能超过77%的准确率，传统系统的准确率为90%。

Soljacic说道，强化系统的准确性并没“实质性的障碍”。Englund补足说道，可编程的纳米光子处理器也有其他应用于，还包括数据传输的信号处理。“高速仿真信号处理比其他将信号转化成为数字形式的处置方法更加慢，因为光是一种天然的仿真介质，”他说道，“这种方法能在仿真域中必要处置。”该团队称之为，他们还必须更好的希望和时间使系统显得更加简单。

一旦这个系统性能提高且功能完善，就能寻找许多用户案例，比如数据中心或安全性系统。Harris说道，这种系统也可以为无人驾驶汽车或无人机带给益处，限于于“必须做到大量计算出来，但你没过于多的力量和时间”的情况。

本文来源：PG电子官方网站-www.hygiflip.com