4 月 21 日消息来自 IT 之家。据最新一期《自然・光子学》杂志的报道，美国宾夕法尼亚大学的工程师们研发出了首款能够借助光来进行非线性神经网络训练的可编程芯片。

该芯片能够利用光来对非线性神经网络进行训练。这一突破能够让 AI 训练速度得到显著提升，能够减少能耗，甚至能够为全光计算机的发展铺平道路。

芯片内部的图像 —— 白色虚线框是输入，黄色虚线框是输出

当前的 AI 芯片属于电子类型，其计算依靠电力。而这款新芯片是光子芯片。在《自然・光子学》杂志的相关描述里，这款芯片对光的行为进行了改变，从而能够执行现代 AI 核心中的非线性数学。

目前大多数 AI 系统依赖神经网络。神经网络是一种模仿生物神经组织的软件。就像神经元连接能让生物体思考一样，神经网络通过连接简单单元或“节点”的层，能让 AI 系统执行复杂任务。

该团队的突破起始于一种特殊的半导体材料，这种材料能够对光产生反应。当一束“信号”光（此光携带着输入数据）穿过该材料的时候，一束从上方照射过来的“泵浦”光束会对材料的反应方式进行调整。

团队通过改变泵浦光的形状以及强度，能够对信号光的吸收、传输或者放大进行控制，而这要依据光的强度以及材料的行为来决定。这个过程能够让芯片“编程”来执行不同的非线性函数。

值得注意的是，这项研究没有改变芯片的基础结构。它是利用光在材料内部形成的图案，来重塑光线穿越的方式。这样就造就了一个可重构系统，这个系统可以根据泵浦模式表达多种数学函数，并且具有实时学习能力，能够根据输出反馈来调整自身行为。

团队为验证该芯片的能力，用其解决了诸多基准 AI 问题。在简单的非线性决策边界任务里，达到了超过 97%的准确率；在著名的鸢尾花数据集问题上，准确率达到了 96%以上。这显示，相较于传统数字神经网络，光子芯片不但性能相当甚至更优，并且能耗更低，因为它们减少了对耗电元件的依赖。

此外，实验显示，仅需 4 个非线性的光学连接，就能够达成传统模型中 20 个固定非线性激活函数线性电子连接所达到的效果。这展示了该技术具备巨大的潜力。并且，随着架构的进一步拓展，其效率将会更加显著。

这款新芯片与以往制造后固定的光子系统不同，它提供了一个空白的平台。通过泵浦光的作用，就像画笔一样，能够绘制出可编程指令。这是现场可编程光子计算机概念的一次实际证明，也标志着向光速训练 AI 迈出了重要的一步。

IT之家附论文链接：