盖世汽车讯 几十年来，科学家们一直将光视为加速计算的一种方式。光子神经网络——利用光而非电来处理信息的系统——有望比传统电子设备拥有更快的速度和更低的能耗。

然而，尽管这些系统潜力巨大，却难以达到数字神经网络的精度。一个关键原因是：大多数光子系统仍然在模仿数字模型的结构和训练方法，这在从软件到硬件的转换过程中会引入误差。

图片来源：期刊《Advanced Photonics Nexus》

据外媒报道，来自中国西北工业大学（Northwestern Polytechnical University）和东南大学（Southeast University）的研究团队开发出一种新型光子神经网络，摆脱了这种对数字模型的模仿。相关论文发表在《Advanced Photonics Nexus》期刊上。该设计利用光的物理变换直接处理信息，而无需依赖数学模型。这种方法不仅提高了精度，还为构建更智能、更快速的人工智能硬件指明了新的方向。

思考神经网络的新方法

传统的光子神经网络在转移到物理设备之前，需要先在计算机上进行数字训练。这个过程会在多个阶段引入误差：数学建模、参数舍入、硬件制造和系统组装。这些误差限制了最终系统的准确性。

为了克服这一限制，研究人员设计了一种“光子多突触神经网络（photonic multisynapse neural network）”，它能够以更直接、更物理的方式利用光来处理信息。该系统不再依赖数字计算，而是使用多条光路连接输入层和隐藏层。这些光路由空间光调制器和摄像头创建，它们可以实时操控和捕捉光模式。

该网络基于一个名为极限学习机（Extreme Learning Machine，ELM）的框架。在此设置中，输入图像被复制并通过多条光路发送。这些光路就像大脑中的突触，将输入神经元连接到隐藏神经元。然后，光图案被摄像头捕捉，转换成电信号，并进行处理以做出分类决策。

至关重要的是，隐藏层神经元是通过物理光变换随机生成的，而不是通过方程式生成的。这避免了试图用数字数学模拟物理过程所带来的错误。

该团队在三个著名的图像分类数据集上测试了他们的系统：MNIST（手写数字）、Fashion-MNIST（服装）和 CIFAR-10（物体彩色图像）。测试结果不仅超越了同等水平的数字神经网络，也超越了大多数现有的基于硬件的系统。随着任务变得更加复杂，例如在CIFAR-10数据集上，这种优势变得更加明显。

这项研究表明，光子神经网络无需遵循与数字神经网络相同的规则。通过直接利用光的物理特性（而不是试图模拟它们），科学家可以构建更快、更准确的系统。