盡管科學(xué)家和研究者一直在探索新型的計算形式，但目前電子計算仍然是絕對的主流。隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)的興起，人們也開始關(guān)注如何開發(fā)出能更有效、更高速地執(zhí)行神經(jīng)網(wǎng)絡(luò)運算的計算硬件。近日，麻省理工學(xué)院(MIT)的研究者在 Nature Photonics 上發(fā)表的一篇論文《Deep learning with coherent nanophotonic circuits》提出了一種使用光子技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡(luò)的方法，而且他們還已經(jīng)對這一概念進(jìn)行了實驗驗證。MIT 官網(wǎng)對這一研究進(jìn)行了報道解讀，機(jī)器之心對這篇文章以及原論文的摘要進(jìn)行了編譯介紹。

該概念圖展示了集成在印制電路板上的可編程納米光子(nanophotonic)處理器，其將助力深度學(xué)習(xí)計算

基于模擬人類大腦激活傳導(dǎo)的人工神經(jīng)網(wǎng)絡(luò)，與其多層疊加的「深度學(xué)習(xí)」計算機(jī)系統(tǒng)已經(jīng)成為了計算機(jī)科學(xué)的熱門話題。除了引發(fā)了如人臉識別和語音識別等技術(shù)的變革外，這些系統(tǒng)不僅可以利用眾多的醫(yī)學(xué)數(shù)據(jù)找到可以高效診斷的模式，同時還能掃描化學(xué)成分而找到可能的新藥物。

但是，即使對于最強(qiáng)大的計算機(jī)，這些系統(tǒng)執(zhí)行所需要的計算也是十分復(fù)雜和巨量的。

近日，MIT 的一個研究團(tuán)隊連同其他一些研究員開發(fā)了一種新型計算方式，該方法利用光而不是電，因此該計算方法能大大提高某些深度學(xué)習(xí)計算的效率和速度。該研究結(jié)果發(fā)表在近日 Nature Photonic 期刊上，而完成這項研究的人員包括 MIT 博士后 Yichen Shen、研究生 Nicholas Harris、教授 Marin Solja?i? 和 Dirk Englund 等人。

Solja?i? 表示，多年來，許多研究者都聲稱開發(fā)出了基于光學(xué)的計算機(jī)，但是「人們太夸大其辭了，結(jié)果反噬其身」。雖然還有很多研究者提出這種光子計算機(jī)無法實現(xiàn)，但這個團(tuán)隊基于光學(xué)開發(fā)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)「也許適用于一些深度學(xué)習(xí)應(yīng)用」。

傳統(tǒng)的計算機(jī)架構(gòu)對于一些重要的神經(jīng)網(wǎng)絡(luò)任務(wù)所需要的各種計算來說并不是很高效。這樣的任務(wù)通常涉及到大量的矩陣乘法，因此在常規(guī)的 CPU 和 GPU 芯片上需要密集的計算。

在多年的研究之后，該 MIT 研究團(tuán)隊找出了一種以光學(xué)執(zhí)行這些操作的方案。Solja?i? 說：「我們這種芯片只要調(diào)試好，就能執(zhí)行矩陣乘法，并在理論上幾乎能立即實現(xiàn)零能耗(zero energy)。我們已經(jīng)展示了其關(guān)鍵組成模塊，但整個系統(tǒng)還沒有構(gòu)建完成。」

作為類比，Solja?i? 指出即使是普通的眼鏡鏡片，它也對穿越的光線執(zhí)行了一些列復(fù)雜的計算(即波函數(shù)的傅立葉變換)。雖然光束在新型芯片中執(zhí)行的計算方式很不一樣，但基本的原理都是一樣的。新方法使用多條光束并通過其間的光波干涉而產(chǎn)生干涉圖樣，而這些干涉圖樣就承載著預(yù)設(shè)計算的結(jié)果。這種方法構(gòu)建的芯片，研究者就稱為可編程納米光子處理器。

Shen 說，因此原理上講，使用這一架構(gòu)的光學(xué)芯片可以更快速地執(zhí)行傳統(tǒng)人工智能算法的計算，且能耗只占傳統(tǒng)電子芯片的千分之一不到。他說：「用光來做矩陣乘法的天然優(yōu)勢在加速和降低能耗方面發(fā)揮了大作用，因為密集矩陣乘法是人工智能算法中最耗能和耗時的部分?！?/p>

這種新型可編程納米光子處理器由 Harris 及其同事在 Englund 的實驗室開發(fā)，使用了一個波導(dǎo)陣列，其中的波導(dǎo)以一種可按需修改的方式互連在一起，它們可以根據(jù)特定的計算對波束進(jìn)行編程。Harris 說：「你可以編程任何矩陣運算?！乖撎幚砥骺梢砸龑?dǎo)光線穿過一系列互相耦合的光子波導(dǎo)。該團(tuán)隊的完整方案需要使用交錯的器件層，其可以應(yīng)用一種名為非線性激活函數(shù)(nonlinear acTIvaTIon funcTIon)的運算操作，該運算類似于大腦中的神經(jīng)元運算。

為了證明這一概念，該團(tuán)隊設(shè)置了可編程納米光子處理器來實現(xiàn)可識別四個基本元音的神經(jīng)網(wǎng)絡(luò)。即使目前系統(tǒng)還很基本，但依然可以達(dá)到 77% 的準(zhǔn)確率，與之相比，傳統(tǒng)方法的準(zhǔn)確率接近 90%。Solja?i? 說：「在擴(kuò)展該系統(tǒng)取得更高準(zhǔn)確率方面不存在大的障礙?！?/p>

Englund 補充說可編程納米光子處理器還有其他應(yīng)用，比如，數(shù)據(jù)傳輸?shù)男盘柼幚恚f：「該系統(tǒng)也可以勝任高速模擬信號處理，且比其他一開始把信號轉(zhuǎn)化為數(shù)字的傳統(tǒng)方法更快，因為光在本質(zhì)上是一種模擬介質(zhì)。」又說：「這種方法可在模擬領(lǐng)域做直接處理?！?/p>

該團(tuán)隊表示，這個系統(tǒng)走向?qū)嵱眠€需更多的努力和時間;然而，一旦系統(tǒng)獲得擴(kuò)展完整運行，就能實現(xiàn)很多用例，比如用于數(shù)據(jù)中心或安全系統(tǒng)。Harris 說：「該系統(tǒng)也可推動無人駕駛汽車、無人機(jī)的發(fā)展，以及在你需要做大量計算卻苦于沒有功率或時間時，該系統(tǒng)都會有所幫助。」

以下是對原論文的摘要介紹：

論文：使用相干納米光子電路的深度學(xué)習(xí)(Deep learning with coherent nanophotonic circuits)

論文地址：https://www.nature.com/nphoton/journal/vaop/ncurrent/full/nphoton.2017.93.html

人工神經(jīng)網(wǎng)絡(luò)是一種靈感來自于大腦中信號處理過程的計算網(wǎng)絡(luò)模型。這些模型可以極大提升許多機(jī)器學(xué)習(xí)任務(wù)的表現(xiàn)，包括語音識別和圖像識別。但是，今天的計算硬件在實現(xiàn)神經(jīng)網(wǎng)絡(luò)方面還很低效，這在很大程度上是因為其是為馮·諾依曼體系結(jié)構(gòu)設(shè)計的。為了開發(fā)出為實現(xiàn)專為人工神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)的電子架構(gòu)，使其能實現(xiàn)更高的計算速度和準(zhǔn)確度，人們已經(jīng)付出了巨大的努力。在這里，我們提出了一種可用于全光學(xué)神經(jīng)網(wǎng)絡(luò)的新架構(gòu)，其在理論上可以在當(dāng)前最好的用于傳統(tǒng)推理任務(wù)的電子設(shè)備的基礎(chǔ)上實現(xiàn)進(jìn)一步的計算速度和功率效率提升。我們使用一個硅光子集成電路進(jìn)行了實驗——該可編程納米光子處理器包含一個具有 56 個馬赫-曾德爾干涉儀(Mach–Zehnder interferometer)的級聯(lián)陣列;該實驗演示了這一概念的關(guān)鍵部分，并且表明了其在元音識別上的可用性。

圖 1：ONN 的一般架構(gòu)

圖 2：OIU 示意圖

圖 3：元音識別