麻省理工学院发明出具备深度学习能力的芯片

　　近年来基于模仿大脑经验积累学习方式的“深度学习”计算机系统已经成为计算机科学领域的热点话题。除了可进行人脸识别和语音识别的软件之外，这些计算机系统还可用于搜索大量的医疗数据找出可用于诊断的方法或者为潜在的新药物查找化学式。

　　而麻省理工学院开发出的芯片，可用光代替电执行模式识别运算任务，

　　研究团队的马林索尔贾希克教授指出，多年来很多研究人员都对光学计算机提出了主张，但是人们越是过分期待，往往事与愿违。虽然很多提出的光子计算机主张都被证明是不切实际的，但此次由麻省理工学院研究团队研发的光基神经网络系统却很有希望应用于深度学习领域。

　　传统计算机架构在进行需要某些重要神经网络任务的计算时，往往效率很低。这种典型的任务包括需要用大量CPU或者GPU芯片进行密集性计算的重复性矩阵乘法运算。

　　经过多年研究后，麻省理工研究团队终于找到了利用光来进行计算的方法。索尔贾希克教授说：“通过调试芯片，就可以在几乎不耗能的情况下瞬间完成矩阵乘法运算。目前我们只是展示了关键构筑模块而非整个系统。”

　　通过类推的方式，索尔贾希克教授指出甚至一个普通的眼镜镜片都可以对穿过它的光波实施复杂的运算(所谓的傅里叶变换)。在新的光学芯片中光束进行运算的方式虽然更为一般但也利用了相似的原理。新方法利用多束光波之间相互作用产生的干涉图形来传达预计的运行结果。研究人员将这种器件称之为可编程的纳米级光处理器。

　　研究人员指出，使用此架构的光芯片，原则上在用典型人工智能算法进行运算时的速度要比传统电子芯片快很多，且每个操作的功耗只有电子芯片的千分之一。利用光进行矩阵乘法运算的天然优势就在于速度的提升和功耗的降低。在用人工智能算法进行计算时最耗能和最费时的部分就是密集矩阵的乘法。

　　新型可编程纳米光处理器利用以可重构的方式进行相互连接的波导阵列对进行特定计算的光束进行编程。处理器通过一系列的光波导对光进行传导。实现研究团队的完整方案需要一个可进行非线性激活函数运算的设备交叉层来模拟大脑神经元的活动方式。

　　为了验证和展示这一概念，研究团队设置可编程纳米光处理器来实现一个可识别4个基本元音的神经网络。即使研究团队所使用的系统还处于最初级的阶段，但目前已经可以达到77%的准确率。相比之下，传统系统的准确率大约为90%。研究人员指出，针对新系统准确率的提升目前并没有实质性的障碍，应该会比较容易实现。

　　研究人员还指出，除去模式识别，新型可编程纳米光处理器还可以应用于其他领域，如数据传输过程中的信号处理等。与其他需要先将模拟信号转变为数字信号形式的方法相比，新型可编程纳米光处理器在进行高速模拟信号处理时的速度要快很多，因为光天然就是一种模拟信号媒介，可直接在模拟信号的范畴进行信号处理而无需进行转换。

　　研究团队最后指出，要使该系统得以应用，他们还需要付出更多的时间和精力;然而，一旦该系统被成功放大和完善，便可以得到很多用户的青睐，如数据中心或安全系统等。该系统也将为自动驾驶汽车或无人机的发展带来福音。