美國麻省理工學院（MIT）科學家在12日出版的《自然·光學》雜志上發表論文稱，他們開發出一種全新的光學神經網絡系統，能執行高度復雜的運算，從而大大提高“深度學習”系統的運算速度和效率。

　　“深度學習”系統通過人工神經網絡模擬人腦的學習能力，現已成為計算機領域的研究熱門。但由于在模擬神經網絡任務中，需要執行大量重復性“矩陣乘法”類高度復雜的運算，對于依靠電力運行的傳統CPU（中央處理器）或GPU（圖形處理器）芯片來說，這類運算太過密集，完成起來非常“吃力”。

　　通過幾年努力，MIT教授馬林·索爾賈希克和同事開發出光學神經網絡系統的重要部件——全新可編程納米光學處理器，這些光學處理器能在幾乎零能耗的情況下執行人工智能中的復雜運算。索爾賈希克解釋道，普通眼鏡片就能通過光波執行“傅里葉變換”這樣的復雜運算，可編程納米光學處理器采用了同樣的原理，其包含多個激光束組成的波導矩陣，這些光波能相互作用，形成干涉模式，從而執行特定的目標運算。

　　研究小組通過測試證明，與CPU等電子芯片相比，這種光學芯片執行人工智能算法速度更快，且消耗能量不到傳統芯片能耗的千分之一。他們還用可編程納米光學處理器構建了一個神經網絡初級系統，該系統能識別出4個元音字母的發音，準確率達到77%。他們的最終目標是，將可編程納米光學處理器交叉鋪成多層結構，構建光學網絡神經系統，模擬人腦中神經元執行復雜的“深度學習”運算。

　　索爾賈希克表示，新光學處理器還能用于數據傳輸中的信號處理，更快速實現光學信號與數字信號間的轉換。未來，在大數據中心、安全系統、自動駕駛或無人機等所有低能耗應用中，基于新光學處理器的復雜光學神經網絡將占據重要席位。