德國馬克斯·普朗克光科學研究所與美國麻省理工學院研究人員合作，通過向光子機器學習添加聲波維度，成功地為可重構神經(jīng)形態(tài)模塊奠定了基礎。此次成果是利用光在光纖中產(chǎn)生臨時聲波，對生成式人工智能（AI）高效解釋上下文語義信息至關重要。研究成果17日發(fā)表在美國科學促進會網(wǎng)站上。

ChatGPT等語言模型能創(chuàng)建出表達自然的文本，并以結構化方式總結段落。但缺點是，實現(xiàn)這一點需要巨大的能源支撐，這也意味著，隨著它們飛速發(fā)展，這些智能設備必須要有新的解決方案來加速信號處理并降低能耗。

圖片:fae354cf6dde47809136c00d652201b6.png

光聲計算的藝術渲染圖

神經(jīng)網(wǎng)絡被認為有潛力成為AI的支柱。將它們構建為基于光而不是電信號的光學神經(jīng)網(wǎng)絡，就能高速且高效地處理大量數(shù)據(jù)。然而，迄今為止，許多實現(xiàn)光學神經(jīng)網(wǎng)絡的實驗方法都依賴于固定組件和穩(wěn)定設備。

研究團隊此次找到一種基于聲波構建可重構模塊的方法，用于光子機器學習。該研究的關鍵是光驅(qū)動產(chǎn)生的行進聲波，其可操縱光學神經(jīng)網(wǎng)絡的后續(xù)計算步驟。比起光信息流，聲波的傳輸時間要長得多，因此，它們在光纖中保留的時間更長，并且可依次鏈接到每個后續(xù)處理步驟。

該團隊用實驗演示了第一個構建模塊——循環(huán)算子，這是循環(huán)神經(jīng)網(wǎng)絡領域廣泛使用的技術。它允許鏈接一系列計算步驟，并可為執(zhí)行的每個計算步驟提供上下文。

光聲循環(huán)算子利用光波導的固有特性，無需人工儲層或新制造結構，現(xiàn)已被用來區(qū)分多達27種不同的模式，展示了其在節(jié)能的同時，高效處理上下文的能力。