据最新一期《天然·光子学》杂志报导，美国宾夕法尼亚大学团队开发出首款能使用光进行非线性神经网络练习的可编程芯片。这项打破有望大幅加速人工智能（AI）的练习速度，一起下降能源消耗，并为研发全光驱动计算机奠定根底。

  在此之前，尽管已有研讨团队开发出处理线性数学运算的光学驱动芯片，但仅依托光学办法表明非线性函数的技能难题一向未被霸占。而非线性函数关于深度神经网络练习至关重要，没有它，光子芯片就没办法完结深度学习或履行杂乱的智能使命。

  新进展依靠于一种对光灵敏的特别半导体资料。当带着输入数据的“信号”光穿过这样一种资料时，另一束“泵浦”光从上方照耀下来，调理资料的呼应特性。经过调整泵浦光的形状和强度，团队可以精确的经过信号光的强度及资料的反响来操控信号光的吸收、传输或扩大方法，从而对芯片进行编程以履行不同的非线性功用。

  值得注意的是，这项研讨并未改动芯片的根底结构，而是使用光在资料内部构成的图画来重塑光线穿越的方法。这造就了一个可以精确的经过泵浦形式表达多种数学函数的可重构体系，使其具有实时学习才能，能根据输出反应调整本身行为。

  为了验证该芯片的才能，团队用其处理了多项基准AI问题。在简略的非线性决议计划鸿沟使命中，完成了超越97%的精确率；在闻名的鸢尾花数据集问题上，到达了96%以上的精确率。这表明，与传统数字神经网络比较，光子芯片不只功能适当，乃至更优，并且能耗更低，因为它们削减了对耗电元件的依靠。

  此外，试验还显现，只需4个非线性的光学衔接就能到达传统模型中20个固定非线性激活函数线性电子衔接的效果，展现了该技能的巨大潜力。跟着架构的进一步扩展，功率将愈加明显。

  不同于以往制作后固定的光子体系，这款新芯片供给了一个空白的渠道，可经过泵浦光的效果好像画笔般制作出可编程指令，是现场可编程光子计算机概念的一次实际证明，标志着向光速练习AI跨进的重要一步。

  在这一研讨的根底上，未来工程师们还能愈加进一步探究怎样来完成更杂乱的运算，如指数或逆函数，从而为处理更大规划的使命铺路。值得一提的是，因为选用低能耗光学组件代替了发热的电子设备，该渠道还能明显削减AI数据中心的能量消耗，彻底改动机器学习范畴的经济效益。