光速AI：玻璃纤维或将取代硅基大脑

由坦佩雷大学的博士后研究员Mathilde Hary博士和贝桑松路易·巴斯德大学的Andrei Ermolaev博士进行的研究，展示了薄玻璃光纤内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定类别的计算架构，称为极端学习机（Extreme Learning Machine），这是一种受神经网络启发的方法。

"计算不是使用传统电子设备和算法实现的，而是通过利用强光脉冲与玻璃之间的非线性相互作用实现的，" Hary和Ermolaev解释道。

传统电子技术在带宽、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，耗能更高，而电子技术处理数据的速度存在上限。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，使其可辨识。

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（比相机闪光短十亿倍）和一根将光限制在比头发丝横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，能包含大量不同波长（即颜色）。通过根据图像编码相对延迟发送这些脉冲进入光纤，他们表明，经光与玻璃非线性相互作用转换后，光纤输出端得到的光谱包含足够信息，可对手写数字（如流行的MNIST AI基准测试中使用的那些）进行分类。研究人员表示，最佳系统在不到一皮秒内达到了超过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（不同波长传播速度差）和功率水平之间的微妙平衡。

"性能并非仅仅取决于向光纤注入更多功率。它取决于光初始结构的精确度，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，" Hary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，" Ermolaev补充道。

通过AI与光子学合作研究推进光学非线性

两个研究团队在光与物质非线性相互作用领域的专业知识均获国际认可。他们的合作结合了理论理解与最先进的实验能力，以利用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计算新方法。通过融合物理学和机器学习，我们正在为超快、高能效的AI硬件开辟新路径"，领导团队的坦佩雷大学Goëry Genty教授以及路易·巴斯德大学的John Dudley和Daniel Brunner教授表示。

该研究结合了非线性光纤光学和应用AI，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。