美国麻省理工学院科学家开发出一种全集成光芯片，能够以光学方式执行深度神经网络的关键计算，为制造高速处理器打开了大门。该芯片采用商业代工工艺制造，性能与传统硬件相当，并在不到半纳秒的时间内完成机器学习分类任务的关键计算。研究团队通过结合电子学和光学技术，克服了光学非线性操作耗电的难题，实现了在光芯片上构建光学深度神经网络。该芯片在训练和推理测试中均取得了较高的准确率，并有望应用于激光雷达、天文学等领域，推动深度学习发展迈向更快、更节能的新阶段。

💡**全集成光芯片实现深度神经网络关键计算:** 麻省理工学院科学家开发出一种全集成光芯片，能够以光学方式执行深度神经网络所需的所有关键计算，为高速处理器的研发提供了新的方向。

🖥️**采用商业代工工艺，性能与传统硬件相当:** 该芯片采用商业代工工艺制造，有助于技术的扩展和与电子产品的集成，其性能与传统硬件相当，并在不到半纳秒的时间内完成机器学习分类任务的关键计算。

🔬**克服光学非线性操作难题，实现光学深度神经网络:** 研究团队通过结合电子学和光学技术，开发出非线性光学功能单元（NOFU），克服了光学非线性操作耗电的难题，从而实现在光芯片上构建光学深度神经网络。

📊**训练和推理准确率高，执行速度快:** 该光芯片在训练测试中准确率超96%，推理准确率超92%，且执行关键计算时间不到半纳秒，展现出优异的性能。

🚀**未来应用前景广阔，推动深度学习发展:** 从长远来看，光芯片有望实现更快、更节能的深度学习，适用于激光雷达、天文学、粒子物理学等领域的研究或高速电信等计算要求高的应用。

    科技日报北京12月2日电 （记者张佳欣）2日发表在《自然·光子学》杂志上的论文称，美国麻省理工学院科学家开发出一种全集成光芯片。它能以光学方式执行深度神经网络所需的所有关键计算，为制造能实时学习的高速处理器打开了大门。

    这种新型光芯片能够在不到半纳秒的时间内，完成机器学习分类任务的关键计算，性能与传统硬件相当。该芯片由相互连接的模块组成，形成一个光学神经网络，并采用商业代工工艺制造，这有助于技术的扩展和与电子产品集成。

    深度神经网络由多层相互连接的节点组成，执行线性和非线性操作以处理复杂数据。其中，非线性运算（如激活函数）使深度神经网络能够解决复杂问题。2017年，麻省理工学院恩格伦德小组与马林·索尔贾契奇实验室合作，在光芯片上演示了能执行矩阵乘法的光学神经网络，但这种设计无法在芯片上直接进行非线性操作。设计的难题在于，触发光学非线性非常耗电。

    后来，研究团队开发了一种非线性光学功能单元（NOFU），克服了这一挑战。他们通过结合电子学和光学技术，在芯片上实现了非线性操作，从而实现在光芯片上构建光学深度神经网络。其中，神经网络参数编码作为光信号，通过可编程分光镜阵列进行矩阵乘法，再由NOFU实现非线性功能，无需外部放大器，能耗极低。

    该光芯片在训练测试中准确率超96%，推理准确率超92%，且执行关键计算时间不到半纳秒。整个电路采用与制造CMOS芯片相同的基础设施和工艺，有利于大规模生产和降低制造误差。这一研究为在光芯片上高效训练深度神经网络提供了可能。

    从长远来看，光芯片有望实现更快、更节能的深度学习，适用于激光雷达、天文学和粒子物理学等领域的研究或高速电信等计算要求高的应用。