光速人工智能：玻璃纤维如何可能取代硅基大脑

由坦佩雷大学的马蒂尔德·哈利（Mathilde Hary）博士和贝桑松路易·巴斯德大学的安德烈·埃尔莫拉耶夫（Andrei Ermolaev）博士这两位博士后研究员进行的研究，展示了薄玻璃光纤内部的激光如何能模拟人工智能（AI）处理信息的方式。他们的工作研究了一种被称为极限学习机（Extreme Learning Machine）的特殊计算架构，这是一种受神经网络启发的方案。

“计算不是通过使用传统的电子器件和算法来实现，而是利用强光脉冲与玻璃之间的非线性相互作用实现的，”哈利和埃尔莫拉耶夫解释道。

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。人工智能模型正变得越来越大，它们更耗能，而电子器件处理数据的速度只能达到某个上限。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，使其变得可识别。

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头发丝横截面更小区域内的光纤，展示了光学极限学习机（ELM）系统的工作原理。这些脉冲足够短，可以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，他们证明了经过光与玻璃的非线性相互作用转换后，在光纤输出端得到的波长光谱包含了足够的信息，可用于对手写数字（如流行的 MNIST AI 基准测试中使用的数字）进行分类。根据研究人员的说法，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大水平时；而是源于光纤长度、色散（不同波长之间的传播速度差异）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。它取决于光最初的构造有多精确，换句话说，信息如何被编码，以及它如何与光纤特性相互作用，”哈利说。

通过利用光的潜力，这项研究可为探索更高效架构的途径铺平道路，同时开辟新的计算方式。

“我们的模型展示了色散、非线性和甚至量子噪声如何影响性能，为设计下一代光电混合人工智能系统提供了关键知识，”埃尔莫拉耶夫继续说道。

通过人工智能和光子学的合作研究推进光学非线性

这两个研究团队在光与物质非线性相互作用方面的专业知识均得到国际认可。他们的合作将理论理解与最先进的实验能力相结合，以利用光学非线性实现各种应用。

“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案。通过融合物理学和机器学习，我们正在为超快且高能效的人工智能硬件开辟新的道路”，领导团队的坦佩雷大学教授戈埃里·詹蒂（Goëry Genty）以及路易·巴斯德大学的约翰·达德利（John Dudley）和丹尼尔·布伦纳（Daniel Brunner）教授表示。

该研究结合了非线性光纤光学和应用人工智能，探索新型计算。未来，他们的目标是构建能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、环境监测和高速人工智能推理。

该项目由芬兰研究理事会、法国国家研究署和欧洲研究理事会资助。