研究人员展示了用于深度学习的全光学神经网络

在模式识别，风险管理和其他类似的复杂任务中，即使是最强大的计算机仍然无法与人类大脑相匹敌。然而，光学神经网络的最新进展正在通过模拟神经元在人脑中的反应方式来弥补这一差距。

在实现大规模光学神经网络实用的关键步骤中，研究人员已经展示了其首创的多层全光学人工神经网络。通常，这种类型的人工智能可以解决传统计算方法无法解决的复杂问题，但是当前的设计需要大量耗时且耗能的计算资源。由于这个原因，人们对开发实用的光学人工神经网络很感兴趣，这种神经网络比基于传统计算机的人工神经网络更快，耗电更少。

在Optica，光学学会的高影响力研究期刊，来自科技大学的研究人员详细介绍了他们的双层全光学神经网络，并成功应用于复杂的分类任务。

“我们的全光学方案可以使神经网络以光速进行光学并行计算，同时消耗很少的能量，”研究团队成员刘俊伟表示。“大规模的全光学神经网络可用于从图像识别到科学研究的各种应用。”

建立全光网络

在传统的混合光学神经网络中，光学组件通常用于线性操作，而非线性激活功能 - 模拟人脑中神经元响应方式的功能- 通常是电子实现的，因为非线性光学器件通常需要高功率激光器，这是很难的在光学神经网络中实现。

为了克服这一挑战，研究人员使用具有电磁感应透明度的冷原子来执行非线性函数。“这种光诱导效应可以通过非常弱的激光功率实现，”研究团队成员杜胜旺说。“因为这种效应是基于非线性量子干涉，所以有可能将我们的系统扩展到量子神经网络中，这可以解决经典方法难以解决的问题。”

为了确认新方法的能力和可行性，研究人员构建了一个双层全连接全光学神经网络，具有16个输入和2个输出。研究人员利用他们的全光网络对Ising模型的顺序和无序阶段进行了分类，Ising模型是一种磁性统计模型。结果表明，全光学神经网络与训练有素的基于计算机的神经网络一样准确。

更大尺度的光学神经网络

研究人员计划将全光学方法扩展到具有复杂架构的大规模全光学深度神经网络，这些架构专为图像识别等特定实际应用而设计。这将有助于证明该方案在更大范围内有效。

“尽管我们的工作是一个原理验证论证，但它表明未来可能有可能开发人工智能的光学版本，”杜说。“ 与今天的基于计算机的人工智能相比，下一代人工智能硬件本质上更快，功耗更低，”刘补充说。