美国宾夕法尼亚大学的研究团队在《自然·光子学》杂志上发表了一项重大突破，成功研发出首款可编程光子芯片。这款芯片利用光实现非线性神经网络的训练，显著提升AI训练速度并降低能耗，为全光驱动计算机的研发奠定了基础。研究团队采用新型半导体材料，通过调节“泵浦”光来控制“信号”光的吸收、传输或放大，从而对芯片进行编程。在多项AI基准测试中，该光子芯片表现出色，尤其在简单的非线性决策边界任务中，准确率超过97%。与传统数字神经网络相比，光子芯片在性能和能耗方面均有显著优势。

💡研究团队开发了一种新型可编程光子芯片，该芯片利用光来实现非线性神经网络的训练，标志着AI计算领域的重要进展。

🔬芯片的核心在于一种对光高度敏感的半导体材料。通过调节“泵浦”光的形状和强度，可以控制“信号”光的吸收、传输或放大，从而实现对芯片的编程。

✅研究人员使用该芯片解决了多项AI基准问题，并在简单的非线性决策边界任务中取得了超过97%的准确率，验证了其在AI应用中的潜力。

⚡️与传统的数字神经网络相比，这款光子芯片在性能上更胜一筹，同时能耗更低，为未来AI计算提供了更高效、更节能的解决方案。

快科技4月21日消息，据《自然·光子学》杂志报道，美国宾夕法尼亚大学的研究团队成功开发出了首款极具创新性的可编程芯片，这款芯片能够巧妙地利用光来实现非线性神经网络的训练。

这项突破有望大幅加快AI训练速度，同时降低能源消耗，并为研制全光驱动计算机奠定基础。

原来，研发团队在芯片的研发过程中引入了一种极为特殊的半导体材料，这种材料对光具有高度的敏感性。

当携带输入数据的“信号”光穿过这种材料时，另一束“泵浦”光从上方照射下来，调节材料的响应特性。

通过调整泵浦光的形状和强度，团队可以根据信号光的强度及材料的反应来控制信号光的吸收、传输或放大方式，从而对芯片进行编程以执行不同的非线性功能。

团队用其解决多项基准AI问题进行测试，在简单的非线性决策边界任务中，实现了超过97%的准确率。与传统数字神经网络相比，这种光子芯片性能更强，能耗更低。