光子处理助力AI计算：纳米光子神经网络的突破

近期，华盛顿大学和普林斯顿大学的研究人员取得重大进展，他们开发出一种纳米光子神经网络，有望克服光学神经网络在精度方面的限制。该团队将并行光学计算嵌入到长度仅为4毫米的平板摄像机光学系统中，摄像机在图像捕捉过程中执行神经网络计算，并在传感器上记录结果。他们创新性地开发了一个通过低维重参数化学习的空间变化卷积网络，并将其与具有角度相关响应的纳米光子阵列一起纳入摄像机镜头内。

在实验测试中，纳米光子神经网络在CIFAR-10数据库上实现了72.76%的图像分类准确率，在ImageNet（1000类）上实现了48.64%的图像分类准确率，这一成果显著缩小了光子AI与电子AI之间的差距，同时证明了无需制造新光学器件即可推广到各种视觉任务。

华盛顿大学教授ArkaMajumdar表示：“这是一种全新的光学思维方式，与传统光学截然不同。这是一种端到端的设计，其中光学器件与计算模块一起设计。在这里，我们用工程光学器件取代了相机镜头，这使我们能够将大量计算投入到光学器件中。”

研究人员开发的这种专为计算机视觉设计的新型紧凑型相机，其原型使用光学器件进行计算，大大降低了功耗，并使相机能够以光速识别物体。该光学系统体积小巧，兼容CMOS传感器，既是光子加速器，又是超紧凑型计算相机。

该相机不使用传统镜头，而是采用50个超透镜阵列（可操纵光线的扁平轻质光学元件）来捕捉物体的不同特征，超透镜还可用作光学神经网络。普林斯顿大学的FelixHeide教授解释道：“我们的想法是利用Arka在超表面上开创的一些工作，将一些传统上以电子方式完成的计算以光速带入光学系统。通过这样做，我们制作了一种新的计算机视觉系统，可以以光学方式执行大量计算。”

该系统的精度可与传统支持的神经网络相媲美，由于以光速执行许多计算，其识别和分类图像的速度比使用传统计算机硬件的神经网络快200倍以上。相机中的光学元件由光而不是电驱动，从而大大降低了功耗。

Heide和他在普林斯顿大学的学生提供了基于光学芯片的相机原型的设计，Majumdar帮助设计了相机，并与他的学生在华盛顿纳米制造实验室制造了芯片。他们计划继续合作，进一步迭代原型，使其更适用于自动驾驶汽车的自动导航，并处理更复杂的数据集和需要更大计算能力才能解决的问题，如物体检测。

Majumdar表示：“目前，这个光学计算系统是一个研究原型，它适用于一种特定的应用。然而，我们看到它最终会广泛应用于许多技术。当然，这还有待观察，但在这里，我们展示了第一步。与所有其他现有的神经网络光学实现相比，这是一个巨大的进步。”

纳米光子处理器和紧凑型光学相机可以加强光学神经网络中的识别技术，增强其深度学习能力。Heide也指出：“这项研究的应用范围非常广泛，从自动驾驶汽车、自动驾驶卡车和其他机器人到医疗设备和智能手机。这项工作仍处于非常早期的阶段，但所有这些应用将来都可能受益于我们正在开发的东西。”

这项具有开创性的研究发表在《科学进展》上，为光子处理在AI计算领域的应用开辟了新的道路，有望在未来推动AI技术在多个领域的变革与发展。