由神經(jīng)網(wǎng)絡(luò)執(zhí)行的機(jī)器學(xué)習(xí)是開發(fā)人工智能的一種流行方法，因為研究人員旨在為各種應(yīng)用復(fù)制大腦功能。AIP出版的《應(yīng)用物理評論》(Applied Physics Reviews)雜志上的一篇論文提出了一種新的方法，該方法使用光代替電來執(zhí)行神經(jīng)網(wǎng)絡(luò)所需的計算。在這種方法中，光子張量核并行執(zhí)行矩陣乘法，從而提高了當(dāng)前深度學(xué)習(xí)范例的速度和效率。

在機(jī)器學(xué)習(xí)中，訓(xùn)練了神經(jīng)網(wǎng)絡(luò)以學(xué)習(xí)對看不見的數(shù)據(jù)執(zhí)行無監(jiān)督的決策和分類。一旦對數(shù)據(jù)進(jìn)行了神經(jīng)網(wǎng)絡(luò)訓(xùn)練，它就可以產(chǎn)生一個推斷，以識別和分類對象和模式并在數(shù)據(jù)中找到簽名。

光子TPU并行存儲和處理數(shù)據(jù)，其特征是具有電光互連功能，從而可以有效地讀寫光學(xué)存儲器，并使光子TPU與其他體系結(jié)構(gòu)接口。

“我們發(fā)現(xiàn)，集成了高效光學(xué)存儲器的集成光子平臺可以獲得與張量處理單元相同的操作，但是它們消耗的功率只有一小部分，并且具有更高的吞吐量，并且如果經(jīng)過適當(dāng)?shù)挠?xùn)練，可以用于以速度進(jìn)行推理。作者之一馬里奧·米斯庫里奧(Mario Miscuglio)說。

大多數(shù)神經(jīng)網(wǎng)絡(luò)都展開多層相互連接的神經(jīng)元，以模仿人類的大腦。表示這些網(wǎng)絡(luò)的有效方法是將矩陣和向量相乘的復(fù)合函數(shù)。這種表示允許通過專門用于向量化運算(例如矩陣乘法)的體系結(jié)構(gòu)來執(zhí)行并行運算。

但是，任務(wù)越智能，期望的預(yù)測精度越高，網(wǎng)絡(luò)就越復(fù)雜。這樣的網(wǎng)絡(luò)需要大量的數(shù)據(jù)進(jìn)行計算，并需要更多的功能來處理該數(shù)據(jù)。

當(dāng)前適合于深度學(xué)習(xí)的數(shù)字處理器，例如圖形處理單元或張量處理單元，由于這樣做所需的功率以及處理器與存儲器之間電子數(shù)據(jù)的緩慢傳輸而受到限制，無法以更高的精度執(zhí)行更復(fù)雜的操作。

研究人員表明，其TPU的性能可能比電TPU的性能高出2-3個數(shù)量級。光子也可能是計算節(jié)點分布式網(wǎng)絡(luò)和在5G等網(wǎng)絡(luò)邊緣以高吞吐量執(zhí)行智能任務(wù)的引擎的理想選擇。在網(wǎng)絡(luò)邊緣，來自監(jiān)視攝像機(jī)，光學(xué)傳感器和其他來源的數(shù)據(jù)信號可能已經(jīng)以光子的形式存在。

Miscuglio說：“光子專用處理器可以節(jié)省大量能源，縮短響應(yīng)時間并減少數(shù)據(jù)中心流量。”

對于最終用戶，這意味著數(shù)據(jù)的處理速度要快得多，因為其中很大一部分?jǐn)?shù)據(jù)已經(jīng)過預(yù)處理，這意味著僅一部分?jǐn)?shù)據(jù)需要發(fā)送到云或數(shù)據(jù)中心。