AI at light speed: How glass fibers could replace silicon brains
想象一下不依赖电子而使用光来更快、更高效执行任务的计算机。来自芬兰某大学和法国某大学两个研究团队的合作，现已展示了一种利用光和光纤处理信息的新方法，为构建超快计算机开辟了可能性。
由某大学博士后研究员Mathilde Hary博士和某大学博士后研究员Andrei Ermolaev博士进行的研究，展示了薄玻璃纤维内的激光如何模拟人工智能（AI）处理信息的方式。他们的工作研究了一类特定的计算架构，称为极限学习机，这是一种受神经网络启发的方法。
"无需使用传统的电子设备和算法，计算是通过利用强光脉冲与玻璃之间的非线性相互作用来实现的，" Hary和Ermolaev解释道。
传统电子方法在带宽、数据吞吐量和功耗方面正接近其极限。AI模型正变得越来越大，能耗也更高，而电子设备处理数据的速度只能达到一定水平。另一方面，光纤可以以快数千倍的速度转换输入信号，并通过极端的非线性相互作用放大微小差异，使其变得可辨识。
迈向高效计算
在他们最近的工作中，研究人员使用飞秒激光脉冲（比相机闪光灯短十亿倍）和将光限制在比人类头发丝还细的区域内的光纤，演示了光学ELM系统的工作原理。这些脉冲足够短，包含了大量不同的波长或颜色。通过根据图像编码的相对延迟将这些脉冲发送到光纤中，他们表明，在光纤输出端，由光和玻璃的非线性相互作用转换后的波长光谱包含了足够的信息来对手写数字（如流行的人工智能基准测试MNIST中使用的那些）进行分类。根据研究人员的说法，最佳系统在不到一皮秒的时间内达到了超过91%的准确率，接近最先进的数字方法。
值得注意的是，最佳结果并非出现在非线性相互作用或复杂性达到最高水平时；而是来自于光纤长度、色散（不同波长之间的传播速度差）和功率水平之间的微妙平衡。
"性能不仅仅是让更多功率通过光纤的问题。它取决于光最初的结构有多精确，换句话说，信息如何被编码，以及它如何与光纤特性相互作用，" Hary说。
通过利用光的潜力，这项研究可以为探索更高效架构的新计算方法铺平道路。
"我们的模型展示了色散、非线性和甚至量子噪声如何影响性能，为设计下一代混合光电AI系统提供了关键知识，" Ermolaev继续说道。
通过AI和光子学合作研究推进光学非线性
两个研究团队在非线性光-物质相互作用方面的专业知识均获得国际认可。他们的合作将理论理解与最先进的实验能力结合在一起，以利用光学非线性实现各种应用。
"这项工作展示了非线性光纤光学的基础研究如何推动新的计算方法。通过融合物理学和机器学习，我们正在为超快和节能的人工智能硬件开辟新路径，"领导这些团队的某大学教授Goëry Genty以及某大学教授John Dudley和Daniel Brunner说道。
该研究结合了非线性光纤光学和应用人工智能，以探索新型计算。未来，他们的目标将是构建能够实时并在实验室外运行的片上光学系统。潜在应用范围涵盖实时信号处理、环境监测和高速AI推理。
该项目由芬兰研究委员会、法国国家研究机构和欧洲研究委员会资助。FINISHED
