研究人員開發出新的光子計算晶片，這些晶片可以讓神經網絡利用光而非電子來進行學習。這項技術有可能改善自動駕駛汽車的性能，並幫助機器人直接從現實世界的互動中學習。這些晶片運行一種名為光子脈衝神經系統的人工智能技術，這些系統模仿生物神經元之間的通信方式，通過快速脈衝傳遞信號。在這個新的系統中，這些信號以光的形式傳輸。科學家表示，這一新系統消除了光子人工智能發展過程中的一個主要瓶頸。早期的系統仍然需要電子來完成學習中的關鍵步驟，而新設計則將這些操作完全保留在光學領域內。
光子脈衝神經系統利用短暫的光脈衝來表示神經信號。這些光學脈衝在光子電路中傳輸的速度遠快於電信號。然而，以前的光子系統只能使用光進行線性計算，而學習所需的非線性操作仍依賴於電子硬件。來自中國西電大學的研究團隊負責人向水英指出，早期系統的限制在於，進行學習和決策所需的非線性步驟需要將信號轉換回電子信號，這會導致延遲，並削弱光子技術的速度和能量優勢。新系統則消除了這一限制，能夠直接用光進行線性和非線性神經計算。
研究人員設計了一個可編程的光子神經形態平台來展示這一概念。該系統由兩個晶片協同工作。一個晶片包含16通道的光子神經形態處理器，擁有272個可訓練參數，並能夠同時處理多個光學信號。第二個晶片則配備了帶有飽和吸收器的分佈反饋激光陣列，這一組件使低閾值的非線性光脈衝成為可能。研究人員使用強化學習來測試該系統，這是一種通過試錯進行訓練的人工智能方法。向水英表示：「我們利用該系統展示強化學習，並通過一個硬件和軟件協作框架來訓練和運行神經網絡。」該系統能夠快速通過試錯學習，顯示出作為快速、低延遲解決方案的潛力，適用於自動駕駛和具身智能等應用。
工程師首先在軟件中對神經模型進行訓練，然後晶片進行硬件訓練和執行。研究人員後來在軟件中微調結果，以考慮小的硬件變化。團隊使用兩個標準控制問題來評估系統，其中一個是平衡一根在移動手推車上的桿，稱為 CartPole 任務，另一個則是穩定倒立擺。硬件決策與軟件模型非常接近，CartPole 的準確率僅下降了 1.5%，而擺的測試下降了 2%。該系統還展現了強大的計算性能，光子線性處理達到每瓦 1.39 兆次操作，非線性計算接近每瓦 988 億次操作。晶片內的計算延遲僅測量為 320 皮秒。
研究人員相信這項技術能支持未來需要快速學習和低能耗的人工智能系統。潛在的應用包括自動駕駛和適應現實環境的機器人系統。目前的原型使用了 16 個光學通道，未來的設計可能擴展到更大的架構。團隊計劃開發一個 128 通道的光子脈衝神經晶片，這一升級可能支持更複雜的強化學習任務。研究人員還希望建造適合邊緣計算的緊湊型混合光子系統。如果成功，光子人工智能硬件有可能成為未來智能機器中電子處理器的替代方案。這項研究已發表在《Optica》期刊上。
