基于声波能构创建可重构光计算模块，对人工智能高效解释上下文语义至关重要
光声计算的艺术渲染图。图片来源：LONGHUYDA
科技日报记者 张梦然
德国马克斯·普朗克光科学研究所与美国麻省理工学院研究人员合作，通过向光子机器学习添加声波维度，成功地为可重构神经形态模块奠定了基础。此次成果是利用光在光纤中产生临时声波，对生成式人工智能（AI）高效解释上下文语义信息至关重要。研究成果17日发表在美国科学促进会网站上。
ChatGPT等语言模型能创建出表达自然的文本，并以结构化方式总结段落。但缺点是，实现这一点需要巨大的能源支撑，这也意味着，随着它们飞速发展，这些智能设备必须要有新的解决方案来加速信号处理并降低能耗。
神经网络被认为有潜力成为AI的支柱。将它们构建为基于光而不是电信号的光学神经网络，就能高速且高效地处理大量数据。然而，迄今为止，许多实现光学神经网络的实验方法都依赖于固定组件和稳定设备。
研究团队此次找到一种基于声波构建可重构模块的方法，用于光子机器学习。该研究的关键是光驱动产生的行进声波，其可操纵光学神经网络的后续计算步骤。比起光信息流，声波的传输时间要长得多，因此，它们在光纤中保留的时间更长，并且可依次链接到每个后续处理步骤。
该团队用实验演示了第一个构建模块——循环算子，这是循环神经网络领域广泛使用的技术。它允许链接一系列计算步骤，并可为执行的每个计算步骤提供上下文。
光声循环算子利用光波导的固有特性，无需人工储层或新制造结构，现已被用来区分多达27种不同的模式，展示了其在节能的同时，高效处理上下文的能力。
总编辑圈点
本文中的循环算子最大的看点，就是具有完全光学控制优势。换句话说，它完全由光控制，不需要复杂的结构和传感器，就能使光声计算机在逐个脉冲的基础上进行编程。在这一成果基础上，未来，工程师们可在高效的光学神经网络中，使用声波去解锁光学神经形态计算，这种计算还允许在当前电信网络中进行大规模内存计算。
（来源：科技日报）