光处理器的革命性突破将彻底改变人工智能硬件

人工智能的爆炸式增长要求快速提高计算能力。有两种光子处理器可以满足人工智能的计算需求，并彻底改变人工智能硬件。

人工智能正在改变各种领域，如临床诊断、自动驾驶和语音翻译。然而，现代社会快速增长的数据量对用于人工智能的电子计算硬件提出了巨大的挑战，无论是计算速度还是功耗。这些问题已经成为人工智能的主要瓶颈。《自然》杂志上最新的文章指出，光子处理器通过利用光的独特特性来加速人工智能处理。这可能会激发光学计算的复兴。

随着人工智能的崛起，传统的电子计算方法正逐渐达到其性能极限，滞后于可处理数据的增长速度。在各种类型的人工智能中，人工神经网络因其优异的性能而被广泛应用于人工智能任务。这些网络使用多层相互连接的人工神经元进行复杂的数学运算（基本运算称为矩阵向量乘法）。

为了加速人工神经网络的处理，人们作出了各种努力来设计和实现特定的电子计算系统。特别值得一提的是，在应用专用集成电路、大脑灵感计算和内存计算等定制芯片的应用上，已经取得了相当大的成功，这些芯片通过一系列称为记忆电阻器的内存设备就地进行处理。

在电子计算中，电子是信息的载体，但光子一直被认为是另一种选择。由于光谱覆盖的波长范围很广，许多不同波长的光子可以同时复用（平行传输）和调制（改变方式使它们可以携带信息），而不会使光信号相互干扰。这种信息以光速传播的结果是最小的时间延迟。此外，无源传输（不需要输入功率）有助于超低功耗，相位调制（光波的量子力学相位变化）使光在频率大于40千兆赫时易于调制和检测。

在过去的几十年里，光纤通信取得了巨大的成功。然而，使用光子进行计算仍然具有挑战性。这一困难来自于缺乏合适的并行计算机制和材料来允许人工神经元的高速非线性响应，及可扩展的光子器件来集成到计算硬件中。

幸运的是，过去几年被称为光频梳的设备的发展为集成光子处理器带来了新的机会。光学频率梳是一组可以发射光谱的光源。这些器件在光谱学、光学时钟计量和电信等各个领域都取得了巨大的成功，并获得了2005年诺贝尔物理学奖。光频梳可以集成到计算机芯片中，作为光计算的高效能源。该系统非常适合采用波长复用技术进行数据并行处理。

研究人员利用这样的装置生产了多功能集成光子处理器。这个设备执行一种矩阵向量乘法，称为图像处理应用程序的卷积。作者采用了一种巧妙的方法来实现卷积。他们首先使用了色散（即透射光的速度取决于其波长）来为波长复用的光信号产生不同的时间延迟。然后，他们沿着与光的波长相关的维度组合这些信号。

通过充分利用光子波长的宽范围，他们实现了不同卷积运算的并行计算。光计算的速度超过了10万亿次每秒，并且仅仅受到数据吞吐量的限制。这项工作的另一个值得吹的点是，作者确定了他们的光子卷积处理器在实际应用中的入口点。他们建议处理器可以用于混合光电子框架，例如在光纤通信期间的现场计算。

费尔德曼和他的同事们独立研制了一个集成光子处理器，它可以执行跨越二维的光信号卷积。该设备在一种基于相变材料（一种可以在非晶相和晶体相之间切换的材料）的“内存”计算架构中使用光频梳。作者通过波长复用对输入数据进行了充分的并行处理，并利用相变材料的集成单元阵列进行了类似的矩阵向量乘法运算。

这样一个高度并行化的框架可以在单个步骤中高速处理整个图像。此外，原则上，该系统可以在不久的将来使用商业制造程序和辅助现场机器学习大幅扩大。由于卷积过程涉及到无源传输，理论上光子处理核心的计算可以以光速和低功耗进行。这种能力对于能源密集型应用程序（如云计算）非常有价值。

考虑到传统电子计算方法面临的挑战，集成光子学的出现是令人兴奋的，它作为一个潜在的接班人，为未来的计算架构实现前所未有的性能。然而，建造一个实用的光学计算机将需要材料科学、光子学、电子学等领域的研究人员之间的合作。尽管报道的光子处理器具有较高的单位面积计算能力和潜在的可扩展性，但全光计算规模（光学人工神经元的数量）仍然很小。此外，由于存在固有的吸收光的计算元件，以及光电信号经常需要转换，能源效率受到限制。

另一个研究方向是发展先进的非线性集成光子计算架构，而不是单一或二维的线性卷积。通过将电子电路和数千万光子处理器集成到合适的架构中，一种利用光子和电子处理器的混合光电框架可能在不久的将来给人工智能硬件带来革命性的变化。这些硬件将在通信、数据中心操作和云计算等领域有重要的应用。