Popular science work
德國馬克斯·普朗克光科學研究所與美國麻省理工學院研究人員合作，通過向光子機器學習添加聲波維度，成功地為可重構神經形態模塊奠定了基礎。此次成果對生成式人工智能（AI）高效解釋上下文語義信息至關重要。研究成果17日發表在美國科學促進會網站上。
ChatGPT等語言模型能創建出表達自然的文本，并以結構化方式總結段落。但缺點是，實現這一點需要巨大的能源支撐。這也意味著，隨著它們飛速發展，這些智能設備必須要有新的解決方案來加速信號處理并降低能耗。
神經網絡被認為有潛力成為AI的支柱。將它們構建為基于光而不是電信號的光學神經網絡，就能高速且高效地處理大量數據。然而，迄今為止，許多實現光學神經網絡的實驗方法都依賴于固定組件和穩定設備。
研究團隊此次找到一種基于聲波構建可重構模塊的方法，用于光子機器學習。該研究的關鍵是光驅動產生的行進聲波，其可操縱光學神經網絡的后續計算步驟。比起光信息流，聲波的傳輸時間要長得多，因此，它們在光纖中保留的時間更長，并且可依次鏈接到每個后續處理步驟。
該團隊用實驗演示了第一個構建模塊——循環算子，這是循環神經網絡領域廣泛使用的技術。它允許鏈接一系列計算步驟，并可為執行的每個計算步驟提供上下文。
光聲循環算子利用光波導的固有特性，無需人工儲層或新制造結構，現已被用來區分多達27種不同的模式，展示了其在節能的同時，高效處理上下文的能力。
