神经网络正席卷着计算世界。在它们的帮助下，研究人员得以推进机器学习的进程。面部识别、对象识别、自然语言处理、机器翻译……这些原本都是人类才有的技能，现在逐渐成为了机器的常规配置。
由于神经网络能够推动人工智能的发展，这给了研究人员更大的动力来创建更强大的神经网络。而这项研究的关键是创建类似神经元(neurons)的电路，即神经形态芯片(neuromorphic chip)。那么，如何使电路的速度得到显著提升?
现在，这一问题或许有了答案。据MIT报道，普林斯顿大学的Alexander Tait团队创建了*光电子神经网络，并展示了其在计算上的超速度。
一直以来，光学计算都被寄予厚望 。光子的带宽要比电子高，因此可以更快地处理大量数据。但是，由于光学处理系统的成本过高，并没有被广泛使用。而在进行模拟信号等任务时，这种超快速数据处理能力只有光子芯片才能提供。
如今神经网络又给光子学提供了一个新的机会。“在硅光子平台的帮助下，光子神经网络的高速信息处理能力能够被用于无线电、控制计算等领域。”Alexander Tait表示。
这个光子神经网络的核心是一种光学设备。它的每个节点都有神经元一样的响应特征。这些节点采用微型圆形波导的形式，被蚀刻进一个能容许光循环的硅基座内。一旦光被输入，它就会调制在阈值处工作的激光器的输出。在这个区域内，入射光的微小变化都会对激光的输出产生显著影响。
系统中的每个节点都使用一定波长的光，这一技术被称为波分复用(wave division multiplexin)。来自各个节点的光会被送入激光器，而且激光输出会被反馈回节点，创造出一个拥有非线性特征的反馈电路。这种输出在数学上等效于一种被称为“连续时间递归神经网络(CTRNN)”的设备。
Tait团队表示，该设备可以*地扩展编程技术，应用于更大的硅光子神经网络。
研究人员使用由 49 个光子节点组成的网络对神经网络进行模拟演示，以及光子神经网络如何被用于解决微分方程的数学问题。
Tait将其与普通的CPU进行了对比。“在这项任务中，光子神经网络的有效硬件加速因子大约为1960×，”，Tait说，“这是一个3个数量级的速度。”
研究人员表示，这项研究打开了一个全新的光子计算行业的大门。Tait表示：“硅光子神经网络可能会是*进入可扩展信息处理的、更广泛类别的硅光子系统的者。”
