由神经网络执行的机器学习是开发人工智能的一种流行方法，杏耀主管因为研究人员的目标是为各种应用复制大脑功能。

 

AIP发表在《应用物理评论》杂志上的一篇论文提出了一种用光代替电来执行神经网络所需要的计算的新方法。在这种方法中，光子张量核并行执行矩阵乘法， 杏耀介绍 ，提高了当前深度学习范式的速度和效率。

 

在机器学习中，神经网络被训练来学习如何在不可见的数据上执行无监督的决策和分类。一旦神经网络对数据进行了训练，它就可以产生一种推断来识别和分类对象和模式，并在数据中找到一个特征。

 

光子TPU并行存储和处理数据，具有电光互连的特点，使得光存储器可以有效地读写，光子TPU可以与其他架构进行接口。

 

“我们发现光子集成平台集成高效的光存储器可以获得相同的操作作为一个张量处理单元,但他们使用的一小部分力量和更高的吞吐量,当适当地训练,可用于执行推理以光的速度,“马里奥Miscuglio说,报告的作者之一。

 

大多数神经网络解开了多层相互连接的神经元，目的是模仿人类大脑。表示这些网络的一种有效方法是将矩阵和向量相乘的复合函数。这种表示方式允许通过专门用于向量化操作(如矩阵乘法)的架构来执行并行操作。

 

然而，任务越智能，预期的预测精度越高，网络就越复杂。这样的网络需要更大的计算量和更大的处理能力。

 

当前适合于深度学习的数字处理器，如图形处理单元或张量处理单元，杏耀注册由于所需的功率以及处理器和存储器之间电子数据的慢速传输，在执行更复杂、精度更高的操作时受到限制。

 

研究人员表明，他们的TPU性能可以比电子TPU高出2-3个数量级。对于计算节点分布式网络和在网络边缘(如5G)执行高吞吐量智能任务的引擎来说，光子可能是一个理想的匹配。在网络边缘，数据信号可能已经以来自监控摄像机、光学传感器和其他来源的光子的形式存在。

 

Miscuglio说:“光子专用处理器可以节省大量的能源，提高响应时间并减少数据中心的流量。”

 

对于终端用户来说，这意味着处理数据的速度要快得多，因为数据的很大一部分是预处理的，这意味着只需要将一部分数据发送到云或数据中心。