摘要：研究人员发表了一个可编程框架，该框架克服了基于光学的人工智能系统的关键计算瓶颈。在一系列的图像分类实验中，他们使用低功率激光器的散射光使用电子设备能量的一部分进行准确，可扩展的计算。...

EPFL研究人员发布了一个可编程框架，该框架克服了基于光学的人工智能系统的关键计算瓶颈。在一系列的图像分类实验中，他们使用低功率激光器的散射光使用电子设备能量的一部分进行准确，可扩展的计算。

随着数字人工智能系统的规模和影响，训练和部署它们所需的能量也会增加，更不用说相关的碳排放了。最近的研究表明，如果当前的AI服务器生产以目前的速度继续下去，那么到2027年，他们的年度能源消耗可能会超过一个小国。由于人脑的建筑的启发，深层神经网络尤其是由于多层神经元的处理器之间的数百万甚至数十亿个连接而造成的。

为了抵消这种刺激的能源需求，研究人员在实施光学计算系统的努力方面增加了一倍，这些计算系统自1980年代以来一直在实验上存在。这些系统依赖于光子来处理数据，尽管从理论上可以使用光来比电子更快，更有效地执行计算，但主要的挑战阻碍了光学系统超过电子最新技术的能力。

“为了在神经网络中对数据进行分类，每个节点或'神经元'必须做出“决定”是否基于加权输入数据。该决定导致数据的非线性转换，这意味着输出与输入不成比例。”

Moser解释说，尽管数字神经网络可以轻松地使用晶体管进行非线性转换，但在光学系统中，此步骤需要非常强大的激光器。 Moser与学生Mustafa Yildirim，Niyazi Ulas Dinc和Ilker Oguz以及Optics Laboratory Head Demetri Psaltis合作，开发了一种能够在光学上执行这些非线性计算的节能方法。他们的新方法涉及在低功率激光束的空间调制中编码数据，例如图像的像素。梁几次反射自身，导致像素的非线性乘法。

Psaltis说：“我们在三个不同数据集上的图像分类实验表明，我们的方法是可扩展的，并且比最先进的深数字网络高达1000倍，这使其成为实现光学神经网络的有前途的平台。”

这项研究得到了瑞士国家科学基金会的Sinergia赠款的支持，最近发表在自然光子学。

简单的结构解决方案

在自然界中，光子不会像电荷电子的方式直接相互作用。为了实现光学系统中的非线性转换，科学家必须“强制”光子间接相互作用，例如，使用足够强烈的光来修改玻璃或其他材料的光学特性。

科学家围绕着具有优雅简单解决方案的高功率激光器的需求：他们在低功率激光束表面上在空间上编码了图像的像素。通过执行两次编码，通过调整编码器中的光束的轨迹，像素被乘以自身，即平方。由于平方是一种非线性转换，因此这种结构修饰以能量成本的一部分实现了神经网络计算必不可少的非线性。该编码可以进行两次，三到十次，从而增加转换的非线性和计算的精度。

Psaltis说：“我们估计使用系统，光学计算乘法所需的能量比电子系统所需的能量小8个数量级。”

Moser和Psaltis强调，其低能方法的可扩展性是一个主要优点，因为最终目标是使用混合电子光学系统来减轻数字神经网络的能源消耗。但是，需要进一步的工程研究来实现这种扩展。例如，由于光学系统使用与电子系统不同的硬件，因此研究人员已经在开发的下一步是开发一个编译器，将数字数据转换为光学系统可以使用的代码。