光速人工智能：玻璃纤维如何替代硅基芯片

由坦佩雷大学的博士后研究员马蒂尔德·哈里博士和贝桑松玛丽与路易·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的激光如何能模仿人工智能（AI）处理信息的方式。他们的工作研究了一种特定类型的计算架构，称为极限学习机（Extreme Learning Machine），这是一种受神经网络启发的方法。

哈里和埃尔莫拉耶夫解释道：“计算不是使用传统的电子设备和算法实现的，而是通过利用强激光脉冲与玻璃之间的非线性相互作用来实现的。”

传统电子学在带宽、数据吞吐量和功耗方面正接近其极限。AI模型变得越来越大，能耗也越来越高，而电子设备处理数据的速度只能达到一定程度。另一方面，光纤能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

在他们最近的工作中，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一小部分人类头发还小区域内的光纤，演示了光学极限学习机系统的工作原理。这些脉冲足够短，包含了大量不同波长或颜色。通过根据图像编码相对延迟将这些脉冲送入光纤，他们表明，经过光与玻璃非线性相互作用后，在光纤输出端产生的波长光谱包含足够的信息来对手写数字（如流行的MNIST AI基准测试中所用的数字）进行分类。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，接近最先进的数字方法。

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达到最高水平时；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。

哈里说：“性能不仅仅是让更多功率通过光纤的问题。它取决于光最初被构造的精确程度，换句话说，取决于信息如何编码，以及它如何与光纤特性相互作用。”

通过利用光的潜力，这项研究可以为探索更高效架构的新计算方式铺平道路。

埃尔莫拉耶夫继续说道：“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，为设计下一代光电混合AI系统提供了关键知识。”

通过AI与光子学的合作研究推进光学非线性

两个研究团队在非线性光-物质相互作用方面的专长都获得了国际认可。他们的合作汇集了理论理解和最先进的实验能力，以利用光学非线性进行各种应用。

领导团队的坦佩雷大学的戈里·根蒂教授以及玛丽与路易·巴斯德大学的约翰·达德利和丹尼尔·布鲁纳教授表示：“这项工作展示了非线性光纤光学的基础研究如何能推动新的计算方法。通过融合物理学和机器学习，我们正在为超快且高能效的AI硬件开辟新道路”。

该研究结合了非线性光纤光学和应用人工智能，以探索新型计算。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、环境监测和高速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。