6月12日，美國麻省理工學院（MIT）科學家在出版的《自然·光學》雜志上發(fā)表論文稱，他們開發(fā)出一種全新的光學神經網絡系統(tǒng)，這種光學芯片不僅能執(zhí)行高度復雜的運算，從而大大提高“深度學習”系統(tǒng)的運算速度和效率，且消耗能量不到傳統(tǒng)芯片耗能的千分之一，性價比極高。

 “深度學習”系統(tǒng)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(zhí)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(tǒng)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(fā)出光學神經網絡系統(tǒng)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(zhí)行人工智能中的復雜運算。索爾賈?？私忉尩?，普通眼鏡片就能通過光波執(zhí)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(zhí)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(zhí)行人工智能算法速度更快，且消耗能量不到傳統(tǒng)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(tǒng)，該系統(tǒng)能識別出4個元音字母的發(fā)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(tǒng)，模擬人腦中神經元執(zhí)行復雜的“深度學習”運算。

索爾賈?？吮硎荆鹿鈱W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(tǒng)、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。

全新光學芯片執(zhí)行人工智能算法，速度快且耗能低，大大提高了“深度學習”系統(tǒng)的運算速度和效率，另外，該系統(tǒng)還可用于數據傳輸中的信號處理，在未來各個低耗能領域中將發(fā)揮重要作用，為人們提供更加便捷的服務。