芯片的结构由不同的层组成，分别在光纳米电路中的不同通道上传输光。
（分子光学神经元电路）
研究人员使用了两种不同的机器学习算法，分别是小规模的监督学习和无监督学习，以光脉冲的形式向后“提供”信息，以此测试全光学神经突触系统能否根据给定的光识别出具体的模式。
目前，研究人员已经利用该技术成功实现了光学模式识别，并展现了光子神经网络的可扩展性。
在此，我们可以简单总结一下这种新光学神经网络硬件的特殊之处：
首先，它解决了前辈们没能解决的问题——光学计算在识别准确率、可编程性、微型化上的缺陷——让光学计算在计算机硬件领域的潜力带来了新的前景。
（正在开发的光学微芯片大约只有一分钱大小）
另外，该硬件的计算方式和大脑中神经元突触的信息传递高度相似，不仅使得信息（数据）得以在人工神经网络中传输，还能够进行有效的处理和存储。以更类似于大脑的方式处理信息，这有助于开发更高性能的算法，进而帮助智能机器更好地完成现实世界的任务。
而且，该系统只在光下工作，使它充分发挥了光学计算的优势，处理数据的速度要快很多倍，更适合用于一些大规模数据的神经网络，比如医学诊断模型等。并且更加节省能耗。
这也就不难理解，为什么有人认为，如果高能效的可扩展光子神经芯片最终出现，这一团队的研究绝对算是开山之作了吧。
当然，想要让可扩展光子神经网络系统在现实中应用，还需要做许多后续工作。
最首要的，就是增加人工神经元和突触的数量，以及神经网络的深度，以便进一步接近和适应真实的大规模计算应用场景。
另外，芯片的制造也存在一定的限制。对此，埃克塞特大学的戴维·赖特教授表示，将使用硅技术来生产光学纳米芯片。
另一个值得关注的问题是，系统中极为关键的相变材料，其结晶速度会吸收并减慢光速，从而限制神经元被激发的最大速率，对于光的交叉耦合带来一定的复杂影响。因此，每一次注入该系统的总光学功率都需要进行仔细校准，以保证材料对输入信号的响应完全符合预期。
不管怎么说，尽管光学计算硬件仍然在实现层面面临着许多挑战和困难，规模化应用也没有明确的时间表。但或多或少让我们看到了更多有趣可行的计算方式，未来世界的算力资源依旧是充沛和值得期待的。
随着智能基建的一步步添砖加瓦，光学计算必将变得越来越重要。
文 ｜ 脑极体
