基于人工神經網絡算法的計算機深度學習系統已成為目前計算機領域研究的前沿熱點，它的原理是使人工神經網絡算法模仿人腦從實踐中學習的方式進行學習。它除了可以用來實現面部和聲音識別以外，還可通過搜尋大量的醫學數據來進行醫學診斷，或者通過搜尋化學方程式來尋找潛在的新藥合成方式。

但是這類的系統的計算非常復雜，對機器要求很高，即使對于現有性能最強的計算機也不是件容易的事。

然而，來自于MIT的研究團隊和他們的合作者，提出一種新的方法，用光子代替電子，來進行計算。他們表示這種方法將會大大提高計算速度和效率。他們的實驗結果今天發表在著名期刊《自然.光子學》（Nature Photonics）上，論文作者包括MIT博士后沈亦晨，研究生Nicholas Harris, Marin Solja?i?和Dirk Englund教授以及另外8個合作研究者。

圖丨可編程納米光子處理器概念圖

事實上，很多研究者長期以來都在推廣基于光子的計算機。但Solja?i?表示，“他們太過于樂觀，結果往往事與愿違”。盡管很多基于光子計算機的應用都是不切實際的，但基于光子的神經網絡系統“可能對于某些應用的深度學習算法是可行的”，他說道。

Solja?i?的言論并非毫無道理。眾所周知，在人工智能算法中，包含有多次矩陣相乘的運算，基于傳統計算機架構的CPU和GPU在處理這些運算的時候非常吃力，計算效率較低。針對這一問題，Solja?i?和他的研究團隊經過多年的研究提出了這種基于光學的計算方法。“這種光學芯片的優點在于一但被設置好，那么它開展矩陣乘法運算所消耗的能量，理論上說可以為0。”Solja?i?說，“雖然目前我們還沒研制出整個系統，但已經實現了核心部件的驗證”

圖丨Marin Solja?i?

Solja?i?打比方說，即使是一個最普通的眼鏡鏡片也會對穿過它的光波有一個復雜的運算：傅立葉變換。新的光子芯片所執行的運算雖然比傅立葉變換簡單的多，但基本原理類似。這種芯片使用多光束干涉技術，其干涉條紋信息反映了所需計算的結果。研究者稱這種芯片為可編程納米光子處理器。

沈亦晨表示，實驗結果顯示這種光子芯片架構理論上可以以更快的速度、更小的功耗來運行人工智能算法：進行相同的一次運算所需的能量損耗甚至低于傳統芯片的千分之一。“利用光子來做矩陣乘法運算的內秉屬性是功耗降低和速度提升的主要原因，因為密集的矩陣乘法運算是人工智能算法中最耗時間和功率的。”

圖丨沈亦晨

這種納米光子處理器由Englund實驗室的Harris等人研發。它基于一系列相互連接的光波導對光子進行導引，這些光波導的連接可根據需要進行設定和編程，以實現特定的運算目的。“你可以編程實現任一矩陣操作” Harris說。團隊的終極計劃是利用多層交錯的裝置實現非線性激活函數操作，就像大腦中神經元的作用一樣。

為了驗證這一概念，團隊利用這個可編程納米光子處理器去實現辨識四個基本元音的神經網絡算法。結果發現，盡管僅僅使用了一個初級的系統，他們也獲得了77%的準確率，而傳統系統的準確率為90％。Solja?i?表示，擴展系統以獲得更高的準確度“不存在障礙”。

Englund補充道，這個可編程納米光字處理器也可有其他方面的用途，如數據傳輸過程中的信號處理。“高速模擬信號處理是此類處理器可以完成的”，而且要快于那些基于模擬——數字轉換的方法，因為光本身就是一種模擬的介質。“這種方法可以直接在模擬域進行運算”他說到。

與此同時，團隊也表示還需要大量的時間和努力來使得這個系統可以實際應用。而且，一旦這種系統擴展成功并且完全的發揮其作用，它可以有非常多的應用，比如數據中心或安全系統。這個系統還可以用于無人駕駛汽車或無人機，Harris表示，“在任何你需要進行大量運算但卻受到時間和功率限制的情況下，它都可以派上用場。”