人工智能应用- 走向未来：04.高速计算

光计算光计算是一种利用光子而非电子进行信息处理的计算方式。其核心原理是利用光在传播过程中展现的物理特性来完成计算任务。例如在光学系统中光波的衍射现象可以用于计算矩阵乘法图。换句话说虽然我们看到的是光传播现象但其传播路径经过精心设计使得当光经过特定光学器件时自然完成计算并且计算结果已包含在接收到的光束中。图:基于光的衍射效应实现矩阵乘法。图片来源Fu et al., 2024相比传统的电子计算光计算在计算效率和处理速度方面具有显著优势。第一光的传播速度极快因此计算速度远超电子计算。第二光子不会像电子那样在传输过程中产生热损耗因此几乎不消耗能量。第三光可以同时处理多个数据流相比电子计算更适合大规模并行计算任务。图:光神经网络芯片。图片来源Fu et al., 2024.光计算的概念可追溯至 20 世纪 60 年代当时研究者就尝试利用光学成像系统实现卷积计算。经过半个多世纪的发展光计算在理论方法与硬件设备方面均取得长足进步。然而要实现一台完整的光计算机仍面临诸多挑战光学系统体积较大难以实现大规模集成。光计算元件必须与电子元件交互这种光电混合架构设计复杂难以优化。尽管光计算机仍处于研究阶段但在特定计算设备中的应用已完全可行其中最成功的案例便是光神经网络Optical Neural Networks, ONN。人工神经网络依赖大量并行计算而光计算的天然特性使其极其适合深度学习任务。近年来随着光学器件如相控阵、光学波导和光调制器的快速发展以及深度学习的兴起ONN已成为研究热点。研究者提出了完全基于光学元件的ONN 架构包括光学卷积层和光学池化层。这一纯光学架构避免了光电混合架构的效率损失极大提升了计算性能。此外ONN 的训练算法也取得了重大突破。2024 年6 月清华大学研究团队在《自然》杂志发表论文提出了一种全新的ONN 训练方法。该方法利用光学系统的对称性和洛伦兹互易性完全基于正向传播计算梯度使得大规模深度学习任务能够基于 ONN 进行高效训练。