分析光子芯片上的神经网络的过程
发布时间：2023-05-08 08:00:00 阅读数： 119
神经网络是一种分布式计算结构，它从生物大脑的结构中获得了灵感，旨在以更短的时间实现与人类类似的认知性能。
光子芯片上的神经网络。图片来源：米兰理工大学
这些技术发展了机器学习和人工智能系统的基本原理，这些系统有可能辨别环境，并通过检查早期行动的影响进一步调整其行为。
它们被用于多个应用领域，如生物信息学、自动驾驶和增强现实系统、语音和图像识别与合成、遗传和分子测序，还有高性能计算技术。
与传统的计算方法相比，为了开发复杂的功能，神经网络最初需要用大量的已知信息进行 "训练"，网络会进一步利用这些信息从经验中学习来修改。
光子电路被认为是一种可用于神经网络的非常有前途的技术，因为它们使构建节能的计算单元成为可能。
多年来，米兰理工大学一直在研究结合在硅微芯片上的可编程光子处理器，用于数据传输和处理领域，目前，这些设备正被用于构建光子神经网络。
人工神经元与生物神经元一样，必须进行非常简单的数学运算，如加法和乘法，但在由许多密集互联的神经元组成的神经网络中，这些运算的能量成本呈指数级增长，很快就变得难以承受。
米兰理工大学光子设备实验室负责人弗朗西斯科-莫里切蒂
莫里切蒂补充说："我们的芯片集成了一个光子加速器，可以使用一个可编程的硅干涉仪网格，非常快速和有效地进行计算。计算时间相当于光在几毫米大小的芯片中的通过时间，所以我们说的是不到十亿分之一秒（0.1纳秒）。"
梅洛尼表示："光子神经网络的优势早已为人所知，但要充分挖掘其潜力，缺少的一个环节就是网络训练。这就像拥有一个强大的计算器，但不知道如何使用它。在这项研究中，我们成功地为光子神经元实施了类似于用于传统神经网络的训练策略。
"光子'大脑'学习迅速而准确，可以达到与传统神经网络相媲美的精度，但速度更快，并能节省大量的能源。这些都是人工智能和量子应用的基石，"Polifab（米兰理工大学微纳米技术中心）主任Andrea Melloni补充说。
除了在神经网络领域的应用，还可以将其作为计算单元用于需要高计算效率的若干应用，例如，用于图形加速器、数据挖掘、数学协处理器、量子计算机和密码学。
参考资料：Pai, S., et al. (2023) Experimentally realized in situ backpropagation for deep learning in photonic neural networks. Science. https://doi.org/10.1126/science.ade8450.
