可编程芯片首次用光训练神经网络

本站 4 月 21 日消息，据最新一期《自然・光子学》杂志报道，美国宾夕法尼亚大学的工程师们开发了首款能够利用光进行非线性神经网络训练的可编程芯片。

该芯片可以使用光来训练非线性神经网络 —— 这一突破可以显著加快 AI 训练速度，减少能耗，甚至为全光计算机铺平道路。

当前的 AI 芯片是电子的，依赖电力进行计算，而这款新芯片是光子芯片。在《自然・光子学》杂志的描述中，这款芯片改变了光的行为，以执行现代 AI 核心中的非线性数学。

目前大多数 AI 系统都依赖于神经网络，这是一种模仿生物神经组织的软件。正如神经元连接起来使生物体能够思考一样，神经网络通过连接简单单元或“节点”的层，使 AI 系统能够执行复杂任务。

该团队的突破始于一种特殊的半导体材料，它能对光做出反应。当一束“信号”光（携带输入数据）穿过该材料时，一束从上方照射的“泵浦”光束调整材料如何反应。

通过改变泵浦光的形状和强度，团队可以控制信号光的吸收、传输或放大，这取决于光的强度和材料的行为。这个过程“编程”芯片执行不同的非线性函数。

值得注意的是，这项研究并未改变芯片的基础结构，而是利用光在材料内部形成的图案来重塑光线穿越的方式。这造就了一个可以根据泵浦模式表达多种数学函数的可重构系统，使其具有实时学习能力，能根据输出反馈调整自身行为。

为了验证该芯片的能力，团队用其解决了多项基准 AI 问题。在简单的非线性决策边界任务中，实现了超过 97% 的准确率；在著名的鸢尾花数据集问题上，达到了 96% 以上的准确率。这表明，与传统数字神经网络相比，光子芯片不仅性能相当，甚至更优，而且能耗更低，因为它们减少了对耗电元件的依赖。

此外，实验还显示，只需 4 个非线性的光学连接就能达到传统模型中 20 个固定非线性激活函数线性电子连接的效果，展示了该技术的巨大潜力。随着架构的进一步扩展，效率将更加显著。

不同于以往制造后固定的光子系统，这款新芯片提供了一个空白的平台，可通过泵浦光的作用如同画笔般绘制出可编程指令，是现场可编程光子计算机概念的一次实际证明，标志着向光速训练 AI 迈进的重要一步。

本站附论文链接：

https://www.nature.com/articles/s41566-025-01660-x