光速人工智能：玻璃纤维如何替代硅基大脑

由坦佩雷大学博士后研究员Mathilde Hary博士和贝桑松玛丽与路易·巴斯德大学博士后研究员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类特定的计算架构，称为极限学习机（Extreme Learning Machine），这是一种受神经网络启发的方法。

“计算不是使用传统的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，” Hary和Ermolaev解释道。

传统电子方法在带宽、数据吞吐量和功耗方面正接近其极限。AI模型正变得越来越大，能耗更高，而电子设备只能以一定的速度处理数据。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）和将光限制在比人头发丝一小部分还小区域的光纤，演示了光学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。通过根据图像编码相对延迟将这些脉冲送入光纤，他们证明了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了足够的信息来对手写数字（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处于最高水平时；而是源于光纤长度、色散现象（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。

“性能并非仅仅取决于通过光纤传输更多功率。它取决于光最初的构造有多精确，换句话说，信息是如何编码的，以及它如何与光纤特性相互作用，” Hary说。

通过利用光的潜力，这项研究可能为探索更高效架构的途径开辟新的计算方式。

“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，为设计下一代混合光电AI系统提供了关键知识，” Ermolaev继续说道。

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-物质相互作用领域的专业知识均获得国际认可。他们的合作汇聚了理论理解和最先进的实验能力，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硬件开辟新路径”，领导团队的坦佩雷大学Goëry Genty教授以及玛丽与路易·巴斯德大学的John Dudley和Daniel Brunner教授说。

该研究结合了非线性光纤光学和应用AI来探索新型计算。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、法国国家研究局和欧洲研究理事会资助。