可編程芯片首次用光訓練神經網絡

原標題：可編程芯片首次用光訓練神經網絡

據(jù)最新一期《自然·光子學》雜志報道，美國賓夕法尼亞大學團隊開發(fā)出首款能夠利用光進行非線性神經網絡訓練的可編程芯片。這項突破有望大幅加快人工智能（AI）的訓練速度，同時降低能源消耗，并為研制全光驅動計算機奠定基礎。

在此之前，雖然已有研究團隊開發(fā)出處理線性數(shù)學運算的光學驅動芯片，但僅依靠光學方法表示非線性函數(shù)的技術難題一直未被攻克。而非線性函數(shù)對于深度神經網絡訓練至關重要，沒有它，光子芯片就無法完成深度學習或執(zhí)行復雜的智能任務。

新進展依賴于一種對光敏感的特殊半導體材料。當攜帶輸入數(shù)據(jù)的“信號”光穿過這種材料時，另一束“泵浦”光從上方照射下來，調節(jié)材料的響應特性。通過調整泵浦光的形狀和強度，團隊可以根據(jù)信號光的強度及材料的反應來控制信號光的吸收、傳輸或放大方式，從而對芯片進行編程以執(zhí)行不同的非線性功能。

值得注意的是，這項研究并未改變芯片的基礎結構，而是利用光在材料內部形成的圖案來重塑光線穿越的方式。這造就了一個可以根據(jù)泵浦模式表達多種數(shù)學函數(shù)的可重構系統(tǒng)，使其具有實時學習能力，能根據(jù)輸出反饋調整自身行為。

為了驗證該芯片的能力，團隊用其解決了多項基準AI問題。在簡單的非線性決策邊界任務中，實現(xiàn)了超過97%的準確率；在著名的鳶尾花數(shù)據(jù)集問題上，達到了96%以上的準確率。這表明，與傳統(tǒng)數(shù)字神經網絡相比，光子芯片不僅性能相當，甚至更優(yōu)，而且能耗更低，因為它們減少了對耗電元件的依賴。

此外，實驗還顯示，只需4個非線性的光學連接就能達到傳統(tǒng)模型中20個固定非線性激活函數(shù)線性電子連接的效果，展示了該技術的巨大潛力。隨著架構的進一步擴展，效率將更加顯著。

不同于以往制造后固定的光子系統(tǒng)，這款新芯片提供了一個空白的平臺，可通過泵浦光的作用如同畫筆般繪制出可編程指令，是現(xiàn)場可編程光子計算機概念的一次實際證明，標志著向光速訓練AI邁進的重要一步。（記者張夢然）