麻省理工学院研发光子芯片，以提升机器学习效率

近日据外媒报道，麻省理工学院与合作机构的科学家们成功研制出一种能够利用光完成深度神经网络计算的光子芯片，突破了传统电子计算硬件的局限。这种由互连模块构成光学神经网络的光子芯片，有望显著提升机器学习应用的计算效率。

实现全集成神经网络
研究团队研制的芯片同时集成了深度神经网络所需的线性与非线性计算。深度神经网络依赖矩阵乘法和非线性运算处理数据，但实现光学非线性一直存在挑战。

论文第一作者、MIT量子光子学与人工智能组访问科学家Saumil Bandyopadhyay表示：光学非线性实现极为困难，因为光子间不易相互作用。触发光学非线性需要消耗大量功率，因此难以构建可扩展的系统。

为解决这一难题，研究人员设计了非线性光学功能单元（NOFU），将非线性运算直接集成在光子芯片上。该芯片采用三层结构：通过可编程分束器执行线性运算，通过NOFU实现非线性功能。

该系统首先将深度神经网络参数编码为光信号，由可编程分束器对输入信号执行矩阵乘法运算。随后数据传送至可编程NOFU，通过分流少量光信号至光电二极管将光信号转换为电流，从而实现非线性函数运算。该过程无需外部放大器，能耗极低。

Bandyopadhyay解释道：我们始终保持在光学域内处理，直至最终读取结果。这使得我们能够实现超低延迟。这对光学信号域内处理系统（如导航或通信）特别有用，对需要实时学习的系统也同样重要。

研究论文指出，在该系统上实施无反向传播原位训练时，该技术在六类元音分类任务中达到92.5%的准确率，与数字计算机的准确率相当。总体而言，光子系统在训练测试中达到超过96%的准确率，关键计算耗时不足半纳秒。

未来应用展望
电子工程与计算机科学系教授、量子光子学与人工智能组及RLE首席研究员Dirk Englund评论道：这项工作证明计算——本质上是将输入映射到输出的过程——可以被编译到线性和非线性物理的新架构上，从而实现计算规模与所需努力之间根本不同的缩放规律。

该系统的制造工艺与CMOS计算机芯片相同，具备可扩展生产的可行性。这种与商业代工技术的兼容性，有助于其与现有电子系统（包括摄像机和通信设备）的集成。

Bandyopadhyay补充道：在很多场景中，模型性能并非唯一关键因素，获取答案的速度同样重要。既然拥有了能够在纳秒级时间尺度上运行神经网络的光学端到端系统，就可以从更高层面思考应用和算法。

长远来看，这种光子处理器有望为激光雷达、天文学与粒子物理科学研究、高速通信等计算密集型应用带来更快速、更节能的深度学习解决方案。