基于光的芯片或能满足人工智能日益增长的能源需求

“我们现在拥有的东西非常简单，”他说。 Tianwei Wu，这项研究的主要作者。“我们可以重新编程，动态改变激光模式。”研究人员利用该系统设计了一个成功区分元音的神经网络。大多数光子系统在构建之前都需要进行训练，因为训练必然涉及重新配置连接。但由于这个系统很容易重新配置，研究人员在将模型安装在半导体上后对其进行了训练。他们现在计划增加芯片的尺寸，并在不同颜色的光中编码更多信息，这应该会增加它可以处理的数据量。

即使是在 90 年代创建了面部识别系统的 Psaltis 也对这一进步感到惊叹。“与实际发生的事情相比，我们 40 年前最疯狂的梦想也微不足道。”

第一缕曙光

虽然光学计算在过去几年中发展迅速，但它还远未取代实验室外运行神经网络的电子芯片。论文宣布光子系统比电子系统效果更好，但它们通常使用旧的网络设计和较小的工作负载来运行小型模型。安大略省皇后大学的 Bhavin Shastri 表示，许多关于光子霸权的报道数据并没有说明全部情况。“很难与电子产品进行同类比较，”他说。“例如，当他们使用激光时，他们并没有真正谈论为激光供电的能量。”

实验室系统需要扩大规模才能显示出竞争优势。“你必须把它做大到什么程度才能获胜？”麦克马洪问道。答案是：非常大。这就是为什么没有人能比得上英伟达的芯片，英伟达的芯片为当今许多最先进的人工智能系统提供动力。在此过程中，需要解决大量的工程难题——电子领域已经解决了几十年的问题。“电子领域从一开始就具有巨大的优势，”麦克马洪说。

一些研究人员认为，基于 ONN 的 AI 系统将首先在具有独特优势的专业应用中取得成功。Shastri 表示，一种有希望的用途是抵消不同无线传输之间的干扰，例如 5G 蜂窝塔和帮助飞机导航的雷达高度计。今年早些时候，Shastri 和几位同事 创建了一个 ONN 它可以对不同的传输进行分类，并实时挑选出感兴趣的信号，处理延迟低于 15 皮秒（15 万亿分之一秒）——不到电子系统所需时间的千分之一，而耗电量不到 1/70。

但麦克马洪表示，宏伟的愿景——一种可以超越电子系统的通用光学神经网络——仍然值得追求。去年，他的团队 运行模拟 这表明，在十年内，一个足够大的光学系统可以使一些人工智能模型的效率比未来的电子系统高出 1,000 倍以上。“许多公司现在都在努力获得 1.5 倍的收益。一千倍的收益，那将是惊人的，”他说。“这可能是一个 10 年的项目——如果成功的话。”

本事 经许可转载 广达杂志， 编辑独立的出版物 西蒙斯基金会 其使命是通过报道数学、物理和生命科学的研究发展和趋势来增进公众对科学的理解。