首次使用可编程芯片来训练神经网络

最新一期《自然光子学》杂志报道，宾夕法尼亚大学团队开发了第一款可编程芯片，可以利用光线进行非线性神经网络训练。这一突破有望大大加速人工智能的发展(AI)练习速度，同时降低能耗，为全光驱动计算机的发展奠定基础。

在此之前，尽管一些研究团队已经开发出光学驱动芯片来处理线性数学运算，但仅仅依靠光学方法来表示非线性函数的技术问题尚未被解决。非线性函数对于深度神经网络训练尤为重要。没有它，光子芯片就无法完成深度学习或执行复杂的智能任务。

新进展取决于一种独特的半导体材料，对光敏感。当输入数据的“信号”光通过这些材料时，另一束“泵”光直接从上面照射下来，以调整材料的响应特性。通过调整泵浦光的形状和强度，团队可以根据信号光的强度和材料反应来控制指令光的吸收、传输或放大，然后对芯片进行编程，以实现不同的非线性功能。

值得注意的是，这项研究并没有改变芯片的基本结构，而是利用材料内部光线形成的图案来重塑光源交叉的方式。这创造了一个可重构的系统，可以根据泵的方式表达多种数学函数，使其具有即时学习能力，并可以根据导出反馈调整自己的行为。

为了验证芯片的能力，团队使用它来解决许多标准人工智能问题。在简单的非线性决策边界任务中，准确率超过97%;在著名的鸢尾数据问题上，准确率超过96%。这表明，与传统的数字神经网络相比，光子芯片不仅具有相同的性能，而且具有更好的性能，而且具有更低的能耗，因为它减少了对耗电设备的依赖。

此外，实验还表明，传统模型中20个固定非线性激活函数的线性电子连接效果可以通过四个非线性光学连接来实现，这显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。

与以往制造的固定光子系统不同，这种新型芯片提供了一个空白平台，可以像刷子一样绘制泵浦光效果的可编程指令。它是现场可编程光子计算机概念的实际证明，意味着人工智能在光速训练中迈出的重要一步。