常規(guī)計(jì)算機(jī)依賴于像精細(xì)的舞步一樣切換電子電路的開關(guān)來響應(yīng)相關(guān)的計(jì)算，比如兩個(gè)數(shù)字的乘法。光學(xué)計(jì)算也遵循類似的原理，但是并不是通過電子流，它的計(jì)算是由彼此相互作用的光子束和像透鏡或者分束器這樣的的引導(dǎo)組件執(zhí)行的。與電阻不同，這些可以抵抗潮汐阻力的光子束必須流經(jīng)電路，光子沒有質(zhì)量，一旦以光速行進(jìn)，就不會(huì)產(chǎn)生額外的電力。

     馬薩諸塞理工學(xué)院的研究人員在《自然-光子學(xué)》一文中寫道，最近提出的光學(xué)計(jì)算對(duì)于加強(qiáng)深度學(xué)習(xí)是很有幫助的，這是一種基于人工智能最新進(jìn)展的技術(shù)。深度學(xué)習(xí)需要進(jìn)行大量的計(jì)算：它需要將龐大的數(shù)據(jù)集放入一個(gè)模擬的人造的“神經(jīng)元”網(wǎng)絡(luò)中，這個(gè)“神經(jīng)元”網(wǎng)絡(luò)松散地依賴于人腦的神經(jīng)結(jié)構(gòu)。每個(gè)人工神經(jīng)元都會(huì)接收一組數(shù)字，然后對(duì)這些數(shù)字進(jìn)行簡(jiǎn)單的計(jì)算，并將結(jié)果發(fā)送到下一層神經(jīng)元。通過調(diào)整每個(gè)神經(jīng)元的演算，人造神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)如何去執(zhí)行任務(wù)，如：識(shí)別貓和駕駛汽車。

     深度學(xué)習(xí)已經(jīng)成為人工智能的核心，包括谷歌和高性能芯片制造商N(yùn)vidia在內(nèi)的一些公司已經(jīng)為開發(fā)此類的專用芯片投入了數(shù)百萬。這些芯片利用多數(shù)人工神經(jīng)網(wǎng)絡(luò)會(huì)將時(shí)間花費(fèi)在“矩陣乘法”上的現(xiàn)狀——這指的是每個(gè)神經(jīng)元會(huì)對(duì)被分配到的不同的值進(jìn)行求和的操作。例如，在面部識(shí)別神經(jīng)網(wǎng)絡(luò)中，一些神經(jīng)元可能正在尋找鼻子的標(biāo)記。那些神經(jīng)元將會(huì)對(duì)相對(duì)小的黑暗區(qū)域（可能是鼻孔）的輸入賦予更大的價(jià)值，給光斑（可能是皮膚）賦予稍微較低的值，甚至是熒光綠（極不可能裝飾某人的鼻子）。專門的深度學(xué)習(xí)芯片將通過把這些神經(jīng)元種植到芯片的數(shù)百個(gè)小型獨(dú)立處理器中，來同時(shí)執(zhí)行這些加權(quán)和，然后實(shí)現(xiàn)大幅度的提速。

這種類型的工作負(fù)載要求有相當(dāng)于迷你超級(jí)計(jì)算機(jī)的處理能力。奧迪和其他的研發(fā)無人駕駛汽車的公司都奢侈的在后備箱內(nèi)裝滿整機(jī)的計(jì)算機(jī)，希望他們?cè)谶@種嘗試——讓人工智能無人機(jī)或手機(jī)能適應(yīng)這種處理能力的不斷努力中有好的運(yùn)氣。即使神經(jīng)網(wǎng)絡(luò)可以在大型服務(wù)器場(chǎng)上運(yùn)行，如同谷歌翻譯或Facebook的面部識(shí)別系統(tǒng)可以在上面運(yùn)行一樣，這種重型計(jì)算機(jī)會(huì)消耗數(shù)百萬美元的電費(fèi)。

     不同于大多數(shù)之前的光學(xué)計(jì)算機(jī)，Harris的新型芯片并不會(huì)去試圖取代傳統(tǒng)的CPU（中央處理器）。它被設(shè)計(jì)成為專門執(zhí)行量子計(jì)算的模式，它利用亞原子粒子的量子態(tài)來進(jìn)行比常規(guī)計(jì)算機(jī)更快的計(jì)算。當(dāng)Shen參加Harris的關(guān)于新型芯片的演講時(shí)，他注意到量子計(jì)算與支撐深度學(xué)習(xí)的矩陣乘法相同。他意識(shí)到深度學(xué)習(xí)可能是這幾十年來阻礙光學(xué)計(jì)算發(fā)展的殺手級(jí)應(yīng)用程序。受到Harris的啟發(fā)，麻省理工學(xué)院的團(tuán)隊(duì)將會(huì)把Harris的光子芯片連接到普通計(jì)算機(jī)上，允許深度學(xué)習(xí)的程序能夠把它們的矩陣乘法程序卸載到光學(xué)硬盤上。

     當(dāng)他們的計(jì)算機(jī)需要一個(gè)矩陣乘法時(shí)——即一堆數(shù)字的加權(quán)和，它首先要將數(shù)字轉(zhuǎn)換為光信號(hào)，其中較大的數(shù)字表示為較亮的波束。然后，光學(xué)芯片將完全乘法問題分解成許多較小的乘法，每個(gè)乘法由芯片的單個(gè)“單元”處理。要了解一個(gè)“單元”的運(yùn)行情況，你要想象有兩股流入其中的水流（輸入光束）和兩股流出的水流。每個(gè)單元會(huì)像閘門和泵的格子一樣起到作用，將流分解，再對(duì)它們進(jìn)行加速或減速，最后將它們混合在一起。通過控制泵的速度，電池可以將不同量的水引導(dǎo)到每個(gè)輸出流中。

     Shen和Harris通過訓(xùn)練一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)來識(shí)別不同的元音聲，并以此來測(cè)試他們的芯片。結(jié)果是很平常的，但Shen認(rèn)為這是因?yàn)楦淖兞艘粋€(gè)本就不完全適合的設(shè)備的用途。例如，不斷將數(shù)位轉(zhuǎn)換為光學(xué)信號(hào)并將光學(xué)信號(hào)轉(zhuǎn)換為數(shù)位的組件只是一個(gè)概念的粗略證明，如果僅僅是因?yàn)樗鼈円子谶B接到Harris的量子計(jì)算芯片就選擇那些設(shè)備，這是不明智的?！禢aturePhotonics》上的論文表示，他們專門為深度學(xué)習(xí)而制造的更好的計(jì)算機(jī)版本可以提供和最佳常規(guī)芯片一樣的精度，同時(shí)將能將能耗降低幾個(gè)數(shù)量級(jí)，并且提供100倍的速度。這樣的話，即便是將人工智能內(nèi)置到手持的設(shè)備中都是行的通的，而無需在將其再外包給其他的大型服務(wù)器，否則這將是不可能的。

     盡管如此，Ambs也同意這項(xiàng)工作“與90年代的[光學(xué)]處理器相比，取得了巨大的進(jìn)步?！盨hen和Harris也很樂觀。他們正在創(chuàng)立一個(gè)能將他們的技術(shù)商業(yè)化的初創(chuàng)企業(yè)，他們相信更大的深度學(xué)習(xí)芯片將會(huì)起到明顯作用。Harris認(rèn)為，導(dǎo)致他們目前芯片的錯(cuò)誤的所有因素都有了解決的方案，所以“這只是獲得真正的人才并在實(shí)際中構(gòu)建事情的一項(xiàng)工程挑戰(zhàn)”。

文章來自:it33 鏈接:http:\\www.sekulawhitetailranch.com