神经网络正在以席卷之势占领计算世界。研究人员使用它们来创建机器，让机器学习大量的此前是人类特有的技能：对象识别，面部识别，自然语言处理，机器翻译等。所有这些技能，以及更多更多的技能，现在正成为机器的“标配”。

因此，创建更强大神经网络有足够大的推动力，因为它可以进一步推动人工智能的进步。这项工作的重点是创造电路操作更像神经元的、所谓的神经形态芯片。但是如何使这些电路在速度上获得显著提升？这一个问题。

普林斯顿大学的 Alexander Tait 和他的同事建立了世界上第一个光子神经形态芯片，同时展示了这种芯片在计算上的超速度。

光学计算一直被计算机科学界寄予厚望 。光子具有比电子多得多的带宽，因此可以更快地处理更多的数据。但是光学数据处理系统的优点从未超过制造它们的额外成本，因此它们从未被广泛采用。

这种情况在计算的一些领域已经开始改变，例如模拟信号处理，这些领域要求的那种超快速数据处理能力只有光子芯片可以提供。

现在神经网络为光子学开辟了一个新的机会。“利用硅光子平台的光子神经网络可以获得用于无线电、控制和科学计算的超快速信息处理的能力”，Tait 说。

核心的挑战是， 需要制造出每个节点具有与神经元相同响应特性的光学装置 。节点采取刻在硅衬底中的微小圆形波导的形式，在节点之间光可以流动。

光被输入到节点中之后，会调制在阈值处工作的激光器输出，在这个区域中，入射光的微小变化都会对激光器的输出具有显着的影响。

至关重要的是，系统中的每个节点都使用特定波长的光——一种称为波分复用（wave division mulTIplexin）的技术。来自所有节点的光在被喂给到激光器之前可以通过总功率检测来求和。并且激光输出会被反馈到节点中以创建具有非线性特性的反馈电路。

一个很重要的问题是，这种非线性在模拟神经元活动时是多么的像。 Tait 测量了输出，并表明它在数学上等效于被称为连续时间递归神经网络的设备。 “这个结果表明，CTRNNs的编程工具可以应用于更大的硅光子神经网络，”他们说。

这一研究结果非常重要，因为它意味着 Tait 制作的设备可以立即利用这些多样化的神经网络类型，来极大地扩展编程技术。

与普通的中央处理单元对比

他们继续演示如何使用由49个光子节点组成的网络来模拟神经网络，使用这个光子神经网络来解决模拟某种微分方程的数学问题，并将其与普通的中央处理单元（CPU）进行比较。

CTRNN与CPU的比较

结果展示了光子神经网络可以有多快。 “在这项任务中，光子神经网络的有效硬件加速因子估计为1，960&TImes;”，Tait 说。这是一个三个数量级的速度。

这打开了一个全新行业的大门，可能会在历史上首次将光学计算带入主流。 Tait说：“硅光子神经网络成为第一批进入可扩展信息处理的、更广泛类别的硅光子系统的代表。

当然，这很大程度上要取决于第一代电子神经形态芯片的表现。光子神经网络要想得到大范围的采用，必须首先要证明自身有很大的优势，因而也要求对其特征更加详细的阐述。显然，对于光子学来说，等待它的将是一段非常有趣的时间。