研究人員已經證明，可以使用光學電路（圖中的藍色矩形）訓練神經網絡
美國斯坦福大學研究人員已經證明，可以直接在光學芯片上訓練人工神經網絡。 這項重大突破錶明，光學電路可以執行基於電子的人工神經網絡的關鍵功能，並且可以執行諸如語音或圖像識別之類的複雜任務。
斯坦福大學的研究小組負責人Shanhui Fan表示：“使用光學芯片比數字計算機能更有效地執行神經網絡計算，可以解決更復雜的問題，例如，這將增強人工神經網絡執行自動駕駛汽車所需任務的能力，或者對口頭問題做出適當的反應。它還可以用我們現在無法想象的方式改善我們的生活。”
人工神經網絡是一種人工智能，它使用連接單元以類似於大腦處理信息的方式處理信息。使用這些網絡執行復雜的任務，例如語音識別，需要訓練算法來對輸入進行分類，比如不同的單詞。
在最新一期的《光學》研究期刊中，斯坦福大學的研究人員報告了一種利用“反向傳播”算法的光學模擬方法，能夠直接在設備中訓練這些網絡。
該論文的第一作者Tyler W. Hughes說：“使用物理設備而不是計算機模型進行訓練可以使過程更加準確，另外，由於訓練步驟是神經網絡實現中非常耗費計算的一部分，因此光學執行此步驟對於提高人工網絡的計算效率，速度和功耗至關重要。”
基於光的網絡
儘管通常使用傳統計算機執行神經網絡處理，但是設計專門針對神經網絡計算優化的硬件仍有很大的提升空間。 基於光學的設備令科學家們感興趣，因為它們可以並行執行計算，同時使用比電子設備更少的能源。
在這項研究中，科學家通過設計一種複製傳統計算機訓練神經網絡方式的光學芯片，克服了實施全光學神經網絡的主要障礙。
片上培訓
新的訓練協議在具有可調諧分束器的光學電路上運行，可通過改變光學移相器的設置來調整。 編碼待處理信息的激光束被髮射到光學電路中，並由光波導通過分束器攜帶，分束器被調節為類似旋鈕以訓練神經網絡算法 。
在新的訓練協議中，首先通過光學電路饋送激光。 退出設備後，計算與預期結果的差異。 然後該信息用於產生新的光信號，該信號通過光網絡以相反的方向發回。 通過在此過程中測量每個分束器周圍的光強度，研究人員展示瞭如何並行檢測神經網絡性能，相對於每個分束器設置的變化。 可以基於該信息改變移相器設置，並且可以重複該過程直到神經網絡產生期望的結果。
研究人員通過教授算法來測試他們的訓練技術和光學模擬，以執行復雜的功能，例如在一組點內挑選出複雜的特徵。 他們發現光學實現與傳統計算機類似地執行任務。
Fan說：“我們的工作證明，可以使用物理定律來實現計算機科學算法，通過在光學領域訓練這些網絡，光學神經網絡系統可以僅使用光學器件來執行某些功能。”
研究人員計劃進一步優化系統，並希望用它來實現神經網絡任務的實際應用。 他們設計的一般方法可以與各種神經網絡架構一起使用，也可以用於其他應用，例如可重構光學器件。
閱讀更多 技術力量 的文章
