如果問一個問題——能夠進行深度神經(jīng)網(wǎng)絡計算的芯片有哪些？大家給出的答案可能五花八門：CPU、GPU、DSP、NPU……

過去幾年里，電子計算已經(jīng)成為實現(xiàn)人工智能算法——尤其是深度神經(jīng)網(wǎng)絡模型——最重要的算力支撐。盡管具體的硬件架構(gòu)各有不同，但一言以蔽之，都是采用了馮諾依曼型的計算原理，即VLSI（超大規(guī)模集成電路）的“電子＋邏輯”信息處理模式，以復雜的邏輯電路和處理器芯片來完成計算任務。

但是電子方法有其先天缺陷：一是信號之間容易相互干擾，對需要高密度連接的神經(jīng)網(wǎng)絡帶來一定的困難；二是能源需求太高，導致計算成本居高不下。

在以AI為主旋律的“數(shù)字基建”大規(guī)模爆發(fā)前夜，在算力上未雨綢繆，自然也就成了學術(shù)界和產(chǎn)業(yè)界共同關(guān)注的頭等大事。

最近，明斯特大學、牛津大學和埃克塞特大學的研究人員就共同實現(xiàn)了一項新的計算芯片，采用光學系統(tǒng)來幫助神經(jīng)網(wǎng)絡進行“學習”，以此實現(xiàn)計算、識別等行為。

不過，無論是光學計算，還是類腦芯片，類似的提法其實在學界早已有之，并且由于自身的局限性一直進展緩慢。那么，光學深度學習芯片的出現(xiàn)，是否真的突破了先天的技術(shù)桎梏，又意味著哪些新的產(chǎn)業(yè)機遇呢？

光學計算＋深度神經(jīng)網(wǎng)絡的

“攪和”歷史

在介紹新計算硬件之前，先言簡意賅地解答一下大家心中可能存在的困惑——光到底是如何進行計算的？又為什么比電子方法更有優(yōu)勢呢？

我們知道，深度學習神經(jīng)網(wǎng)絡是模仿人類大腦神經(jīng)元的運行方式而來的。在每一層中，來自上一層（或者輸入源）的信號經(jīng)由神經(jīng)元處理，將結(jié)果和前向信號傳遞給下一層的神經(jīng)元。

很顯然，這種計算方式需要依賴神經(jīng)元之間的大量、動態(tài)的連接才能完成，會對大多數(shù)使用電子方法的集成電路造成壓力。

因此，大家紛紛開始研究其他硬件，光學芯片因此成為“全村的希望”。

2017年，MIT的研究人員就研發(fā)出了一種使用光子技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡的方法。他們使用一系列相互連接的波導管（傳輸微波波段的電磁波裝置），來為特定的計算編程。而處理器則通過一系列耦合光子波導來引導光線，因此只需要運用鏡片改變光線的方向，就可以達成運算。

可編程、低能耗，聽起來是不是棒棒噠？不過這種方式打造的硬件準確率實在是不太令人滿意，只有77％，被傳統(tǒng)方法吊打的節(jié)奏啊。

不過科學家們并沒有認輸，2018年加州大學洛杉磯分校的科學家們又將光學深度學習送上了《Science》雜志。

這次，科學家們采用3D 打印的方式制造出了一種全光學的深度學習框架D2NN。

簡單來說，研究人員訓練出了能夠識別不同數(shù)據(jù)類型的光學網(wǎng)絡模型，并為它們分別創(chuàng)建了模型，該模型由多個像素層組成，每個像素之間如同神經(jīng)元一樣進行連接，并通過光來傳輸信息。

然后，研究人員采用五層 3D 打印塑料對仿真模型進行物理再現(xiàn)，固態(tài)成品的探測器就可以通過物體表面反射的光來判斷出相應的分類結(jié)果。

這種由光學元件堆疊而成的神經(jīng)網(wǎng)絡硬件，準確率能達到 91．75％，成本相對便宜，但是卻很難做到器件的小型化，難以處理復雜的數(shù)據(jù)及圖像分析，而且所有參數(shù)3D打印之后就不能被再次編程了。

（使用 3D 打印的“人工神經(jīng)網(wǎng)絡”芯片）

總結(jié)一下就是，此前的研究都對光學計算＋神經(jīng)網(wǎng)絡的解決方案提出了自己的方法，但帶來的問題多于答案，科學家們不得不繼續(xù)探索。

全光學神經(jīng)突觸系統(tǒng)：

能否刷新光學計算的進程？

5月8日，來自德國明斯特大學的科學家將其研究成果發(fā)布在了《Nature》雜志上。

論文《All－optical spiking neurosynaptic networks with self－learning capabilities》（具有自學習功能的全光學尖峰神經(jīng)突觸網(wǎng)絡），提出了一種可以在毫米級光子芯片上實現(xiàn)的全光學神經(jīng)網(wǎng)絡。

研究人員是這么設想的：

輸入的數(shù)據(jù)（即光波導）可以被微米級環(huán)狀諧振器調(diào)制成不同的波長，然后注入網(wǎng)絡并停留在光學微芯片上。接著利用集成在一起的相變材料，來實現(xiàn)權(quán)重調(diào)制，這種物質(zhì)可以由光觸發(fā)顯著的變化，非常適合模擬突觸和神經(jīng)元之間的“沖動”。

信息在光學神經(jīng)網(wǎng)絡中的傳輸，就好像是兩組人（單個波導的兩條路徑）同時在玩?zhèn)髀曈螒颍枰舻木嚯x比較遠，來防止另一個組的聲音干擾（耦合）。同時還不能有人亂開腦洞急轉(zhuǎn)彎，免得傳話內(nèi)容南轅北轍（光離開波導）。

因此，在每個組的傳話過程中，都派出一個小秘書（相變材料），根據(jù)每組任務（權(quán)重）的不同，在每次傳遞過程中（微環(huán)諧振器的入口和出口處），對隊員們向下傳遞的信息進行微調(diào)，將被傳錯／修改的信息復位，這樣就能最大限度地保證每個隊伍向后傳遞的信息，既能保持差異，又足夠準確。

為了證明這一點，研究人員開發(fā)了一個由四個人工神經(jīng)元和60個突觸組成的芯片。

芯片的結(jié)構(gòu)由不同的層組成，分別在光納米電路中的不同通道上傳輸光。

（分子光學神經(jīng)元電路）

研究人員使用了兩種不同的機器學習算法，分別是小規(guī)模的監(jiān)督學習和無監(jiān)督學習，以光脈沖的形式向后“提供”信息，以此測試全光學神經(jīng)突觸系統(tǒng)能否根據(jù)給定的光識別出具體的模式。

目前，研究人員已經(jīng)利用該技術(shù)成功實現(xiàn)了光學模式識別，并展現(xiàn)了光子神經(jīng)網(wǎng)絡的可擴展性。

在此，我們可以簡單總結(jié)一下這種新光學神經(jīng)網(wǎng)絡硬件的特殊之處：

首先，它解決了前輩們沒能解決的問題——光學計算在識別準確率、可編程性、微型化上的缺陷——讓光學計算在計算機硬件領(lǐng)域的潛力帶來了新的前景。

（正在開發(fā)的光學微芯片大約只有一分錢大小）

另外，該硬件的計算方式和大腦中神經(jīng)元突觸的信息傳遞高度相似，不僅使得信息（數(shù)據(jù)）得以在人工神經(jīng)網(wǎng)絡中傳輸，還能夠進行有效的處理和存儲。以更類似于大腦的方式處理信息，這有助于開發(fā)更高性能的算法，進而幫助智能機器更好地完成現(xiàn)實世界的任務。

而且，該系統(tǒng)只在光下工作，使它充分發(fā)揮了光學計算的優(yōu)勢，處理數(shù)據(jù)的速度要快很多倍，更適合用于一些大規(guī)模數(shù)據(jù)的神經(jīng)網(wǎng)絡，比如醫(yī)學診斷模型等。并且更加節(jié)省能耗。

這也就不難理解，為什么有人認為，如果高能效的可擴展光子神經(jīng)芯片最終出現(xiàn)，這一團隊的研究絕對算是開山之作了吧。

當然，想要讓可擴展光子神經(jīng)網(wǎng)絡系統(tǒng)在現(xiàn)實中應用，還需要做許多后續(xù)工作。

最首要的，就是增加人工神經(jīng)元和突觸的數(shù)量，以及神經(jīng)網(wǎng)絡的深度，以便進一步接近和適應真實的大規(guī)模計算應用場景。

另外，芯片的制造也存在一定的限制。對此，埃克塞特大學的戴維·賴特教授表示，將使用硅技術(shù)來生產(chǎn)光學納米芯片。

另一個值得關(guān)注的問題是，系統(tǒng)中極為關(guān)鍵的相變材料，其結(jié)晶速度會吸收并減慢光速，從而限制神經(jīng)元被激發(fā)的最大速率，對于光的交叉耦合帶來一定的復雜影響。因此，每一次注入該系統(tǒng)的總光學功率都需要進行仔細校準，以保證材料對輸入信號的響應完全符合預期。

不管怎么說，盡管光學計算硬件仍然在實現(xiàn)層面面臨著許多挑戰(zhàn)和困難，規(guī)模化應用也沒有明確的時間表。但或多或少讓我們看到了更多有趣可行的計算方式，未來世界的算力資源依舊是充沛和值得期待的。

隨著智能基建的一步步添磚加瓦，光學計算必將變得越來越重要。

文 ｜ 腦極體