AI以光速运行：玻璃纤维如何可能替代硅基大脑

坦佩雷大学博士后研究员马蒂尔德·哈里博士与贝桑松玛丽居里和路易巴斯德大学的安德烈·埃尔莫拉耶夫博士进行的研究展示了薄玻璃光纤内部的激光如何模拟人工智能（AI）处理信息的方式。他们的工作研究了一种特殊类别的计算架构——被称为极限学习机（Extreme Learning Machine），该方法受到神经网络的启发。

“计算并非使用传统电子设备和算法实现，而是通过利用强光脉冲与玻璃之间的非线性相互作用来实现，” 哈里和埃尔莫拉耶夫解释道。

传统电子技术在处理带宽、数据吞吐量和功耗方面正接近极限。AI模型日益庞大，消耗更多能源，而电子设备处理数据的速度存在上限。相比之下，光纤能够以快数千倍的速度转换输入信号，并通过极端的非线性相互作用放大微小差异，使其可被识别。

迈向高效计算

在最近的研究中，研究人员使用飞秒激光脉冲（比相机闪光灯短十亿倍）和一根将光限制在比头发丝截面还小区域的光纤，展示了光学ELM系统的工作原理。这些脉冲足够短，能包含大量不同的波长或颜色。通过根据图像编码的相对延迟将这些脉冲送入光纤，他们表明，光与玻璃的非线性相互作用改变了输出端的光谱，其中包含足以对手写数字（例如流行AI基准测试MNIST中使用的数字）进行分类的信息。据研究人员称，最佳系统在不到一皮秒的时间内达到了超过91%的准确率，接近顶尖的数字方法水平。

值得注意的是，最佳结果并非出现在非线性相互作用或复杂性处于最高水平时；而是源于光纤长度、色散（不同波长之间的传播速度差）和功率水平之间的微妙平衡。

“性能并非简单地取决于让更多功率通过光纤。它取决于光最初被构造的精确程度，换言之，信息如何被编码，以及它如何与光纤特性相互作用，”哈里说。

通过利用光的潜力，这项研究可为探索更高效架构的新计算方式铺平道路。

“我们的模型展示了色散、非线性甚至量子噪声如何影响性能，这为设计下一代光电混合AI系统提供了关键知识，”埃尔莫拉耶夫补充道。

通过AI与光子学协作研究推进光学非线性

两个研究团队均因其在非线性光-物质相互作用方面的专业知识而享有国际声誉。他们的合作汇聚了理论理解与最先进的实验能力，以驾驭光学非线性实现多种应用。

“这项工作展示了非线性光纤光学的基础研究如何推动新的计算方法。通过融合物理学和机器学习，我们正在为超高速、高能效的AI硬件开辟新路径”，领导团队的坦佩雷大学教授戈里·根蒂以及玛丽居里和路易巴斯德大学的约翰·达德利和丹尼尔·布鲁纳教授表示。

该研究结合非线性光纤光学与应用人工智能，探索新型计算。未来，他们的目标是构建可在实验室外实时运行的片上光学系统。潜在应用范围涵盖实时信号处理、环境监测到高速AI推理。

该项目由芬兰研究委员会、法国国家研究署和欧洲研究理事会资助。