强大的基于光子的处理单元实现复杂的人工智能

光子张测磁芯通过利用不同波长的有效相互作用来执行载体矩阵乘法，利用不同波长的光与多岩光子相变存储器。

使用光子为更复杂的机器学习创建更强大和高效的处理单元。

神经网络执行的机器学习是发展人工智能的流行方法，因为研究人员旨在为各种应用复制脑功能。

AIP发布期刊应用物理审查中的一篇论文提出了一种新的方法来使用光而不是电力来执行神经网络所需的计算。在这种方法中，光子张信芯并行地执行矩阵的乘法，提高当前深度学习范例的速度和效率。

在机器学习中，培训神经网络以学习对看不见的数据进行无监督的决策和分类。一旦神经网络接受数据培训，它可以产生推理以识别和分类对象和模式并在数据中找到签名。

光子TPU并联存储和处理数据，其具有电光互连，其允许光学存储器有效地读取和写入和光子TPU与其他架构接口。

“我们发现集成了有效光学存储器的集成光子平台可以获得与张量处理单元相同的操作，但它们消耗功率的一小部分并具有更高的吞吐量，并且在机会培训时，可以用于速度执行推理作者之一的Mario Miscuglio表示，“马里奥·米苏布里奥说。

大多数神经网络解开多个相互连接的神经元，旨在模仿人脑。表示这些网络的有效方式是复合功能，该函数将矩阵和向量乘以在一起。该表示允许通过专用于矩阵乘法的矢量化操作的架构进行并行操作的性能。

但是，任务越智能和预测的更高准确性，网络变得越复杂。这种网络需要更多的数据数据来计算和更多的电源来处理数据。

当前数字处理器适用于深度学习，例如图形处理单元或张量处理单元，在执行更高的操作方面的情况下，通过所需的功率更高，并且通过处理器和存储器之间的电子数据慢速传输更高的功率。

研究人员表明，其TPU的性能可能比电气TPU高2-3个订单。光子也可以是计算节点分布式网络的理想匹配，并且在网络的边缘处具有高吞吐量的智能任务的引擎，例如5G。在网络边缘，数据信号可能已经存在于来自监视摄像机，光学传感器和其他源的光子的形式。

“光子专业化的处理器可以节省大量的能量，改善响应时间和减少数据中心流量，”Miscuglio说。

对于最终用户，这意味着数据被处理得更快，因为预处理的大部分数据是预处理的，这意味着只需要将数据的一部分发送到云或数据中心。

参考：Mario Miscuglio和Volker J. Sorger，2020年7月21日，Apply Maliverse评论，Mario Miscuglio和Volker J. Sorger，Photonic Tensor Corefires for Machine Learning Tembored Tembered Temberued。
10.1063/5.0001942