研究人员已经证明，可以使用光学电路（图中的蓝色矩形）训练神经网络
美国斯坦福大学研究人员已经证明，可以直接在光学芯片上训练人工神经网络。 这项重大突破表明，光学电路可以执行基于电子的人工神经网络的关键功能，并且可以执行诸如语音或图像识别之类的复杂任务。
斯坦福大学的研究小组负责人Shanhui Fan表示：“使用光学芯片比数字计算机能更有效地执行神经网络计算，可以解决更复杂的问题，例如，这将增强人工神经网络执行自动驾驶汽车所需任务的能力，或者对口头问题做出适当的反应。它还可以用我们现在无法想象的方式改善我们的生活。”
人工神经网络是一种人工智能，它使用连接单元以类似于大脑处理信息的方式处理信息。使用这些网络执行复杂的任务，例如语音识别，需要训练算法来对输入进行分类，比如不同的单词。
在最新一期的《光学》研究期刊中，斯坦福大学的研究人员报告了一种利用“反向传播”算法的光学模拟方法，能够直接在设备中训练这些网络。
该论文的第一作者Tyler W. Hughes说：“使用物理设备而不是计算机模型进行训练可以使过程更加准确，另外，由于训练步骤是神经网络实现中非常耗费计算的一部分，因此光学执行此步骤对于提高人工网络的计算效率，速度和功耗至关重要。”
基于光的网络
尽管通常使用传统计算机执行神经网络处理，但是设计专门针对神经网络计算优化的硬件仍有很大的提升空间。 基于光学的设备令科学家们感兴趣，因为它们可以并行执行计算，同时使用比电子设备更少的能源。
在这项研究中，科学家通过设计一种复制传统计算机训练神经网络方式的光学芯片，克服了实施全光学神经网络的主要障碍。
片上培训
新的训练协议在具有可调谐分束器的光学电路上运行，可通过改变光学移相器的设置来调整。 编码待处理信息的激光束被发射到光学电路中，并由光波导通过分束器携带，分束器被调节为类似旋钮以训练神经网络算法 。
在新的训练协议中，首先通过光学电路馈送激光。 退出设备后，计算与预期结果的差异。 然后该信息用于产生新的光信号，该信号通过光网络以相反的方向发回。 通过在此过程中测量每个分束器周围的光强度，研究人员展示了如何并行检测神经网络性能，相对于每个分束器设置的变化。 可以基于该信息改变移相器设置，并且可以重复该过程直到神经网络产生期望的结果。
研究人员通过教授算法来测试他们的训练技术和光学模拟，以执行复杂的功能，例如在一组点内挑选出复杂的特征。 他们发现光学实现与传统计算机类似地执行任务。
Fan说：“我们的工作证明，可以使用物理定律来实现计算机科学算法，通过在光学领域训练这些网络，光学神经网络系统可以仅使用光学器件来执行某些功能。”
研究人员计划进一步优化系统，并希望用它来实现神经网络任务的实际应用。 他们设计的一般方法可以与各种神经网络架构一起使用，也可以用于其他应用，例如可重构光学器件。
閱讀更多 技術力量 的文章
