一個國際研究人員團隊開發了一種用於光子處理器的新方法和體系結構，可加快機器學習領域的複雜數學任務。
越來越多的AI應用程式的出現（例如在自動駕駛汽車，智能城市和語音識別中）給當前的計算機處理器帶來了沉重的負擔，無法滿足需求。
一組科學家開發了一種解決該問題的方法，使用光子（基於光的）處理器將處理和數據存儲結合在單個晶片上。這些可以通過並行且更快地處理信息來超越常規電子晶片。
明斯特大學的Wolfram Pernice教授說：「用於加速機器學習領域任務的輕型處理器使複雜的數學任務能夠以較高的速度和吞吐量進行處理。」 「這比依靠電子數據傳輸的傳統晶片（如圖形卡或專用硬體（如TPU））要快得多。」
科學家們開發了一種用於矩陣矢量乘法的硬體加速器，矩陣矢量乘法是人工神經網絡的骨幹：受到通常用於處理圖像或音頻數據的生物大腦的鬆動啟發的網絡。由於不同波長的光不會幹涉，因此它們能夠使用多個波長進行並行計算（多路復用），這為光子處理器打開了大門，光子處理器具有更高的數據速率和每單位面積更多的操作。
但是，要抓住這個機會，就需要使用另一種技術作為光源：EPFL開發的基於晶片的「頻率梳」。
EPFL的教授Tobias Kippenberg說：「我們的研究是第一個將頻率梳應用於人工神經網絡領域的研究。」 肯彭貝格（Kippenberg）的工作開創了頻率梳的開發領域，它提供了可以在同一光子晶片內獨立處理的多種波長。
研究人員還選擇將光子結構與相變材料結合起來作為節能存儲元件。這樣就可以在不需要能源的情況下存儲和保存矩陣元素。
製造光子晶片後，研究人員在神經網絡上對其進行了測試，以識別手寫數字。研究人員認為，輸入數據與一個或多個過濾器（可以識別例如圖像的邊緣）之間的操作非常適合其矩陣體系結構，從而使研究人員可以達到前所未有的計算密度。
牛津大學的Johannes Feldman博士是該研究的主要作者，他解釋說：「利用光進行信號傳輸使處理器能夠通過波長多路復用執行並行數據處理，這導致更高的計算密度和僅需執行許多矩陣乘法即可。一個時間步。與通常在低GHz範圍內工作的傳統電子產品相比，光調製速度可以達到50至100GHz範圍。」
這項研究發表在本周的某媒體雜誌上，具有極為廣泛的應用。這可能包括更高的AI應用程式數據同步處理；更大的神經網絡，可提供更準確的預測和精確的數據分析；大量的臨床數據有助於診斷；更快速地評估自動駕駛汽車中的傳感器數據，並擴展雲計算基礎架構。