神經網絡正席卷著計算世界。在它們的幫助下，研究人員得以推進機器學習的進程。面部識別、對象識別、自然語言處理、機器翻譯……這些原本都是人類才有的技能，現在逐漸成為了機器的常規配置。

　　由于神經網絡能夠推動人工智能的發展，這給了研究人員更大的動力來創建更強大的神經網絡。而這項研究的關鍵是創建類似神經元（ neurons）的電路，即神經形態芯片（neuromorphic chip）。那么，如何使電路的速度得到顯著提升？

　　現在，這一問題或許有了答案。據 MIT 報道，普林斯頓大學的 Alexander Tait 團隊創建了全球首個光電子神經網絡，并展示了其在計算上的超速度。

　　一直以來，光學計算都被寄予厚望 。光子的帶寬要比電子高，因此可以更快地處理大量數據。但是，由于光學處理系統的成本過高，并沒有被廣泛使用。而在進行模擬信號等任務時，這種超快速數據處理能力只有光子芯片才能提供。

　　如今神經網絡又給光子學提供了一個新的機會。“在硅光子平臺的幫助下，光子神經網絡的高速信息處理能力能夠被用于無線電、控制計算等領域。”Alexander Tait 表示。

　　這個光子神經網絡的核心是一種光學設備。它的每個節點都有神經元一樣的響應特征。這些節點采用微型圓形波導的形式，被蝕刻進一個能容許光循環的硅基座內。一旦光被輸入，它就會調制在閾值處工作的激光器的輸出。在這個區域內，入射光的微小變化都會對激光的輸出產生顯著影響。

　　系統中的每個節點都使用一定波長的光，這一技術被稱為波分復用（wave division multiplexin）。來自各個節點的光會被送入激光器，而且激光輸出會被反饋回節點，創造出一個擁有非線性特征的反饋電路。這種輸出在數學上等效于一種被稱為“連續時間遞歸神經網絡 （CTRNN） ”的設備。

　　Tait 團隊表示，該設備可以極大地擴展編程技術，應用于更大的硅光子神經網絡。

　　研究人員使用由 49 個光子節點組成的網絡對神經網絡進行模擬演示，以及光子神經網絡如何被用于解決微分方程的數學問題。

　　Tait 將其與普通的 CPU 進行了對比。“在這項任務中，光子神經網絡的有效硬件加速因子大約為 1960×，”，Tait 說，“這是一個 3 個數量級的速度。”

　　研究人員表示，這項研究打開了一個全新的光子計算行業的大門。 Tait 表示：“硅光子神經網絡可能會是首個進入可擴展信息處理的、更廣泛類別的硅光子系統的領軍者。”