毫无疑问，由于人工智能（AI）的出现，我们的生活变得更加简单和富有成效，AI的出现是为了通过快速学习和推理取代传统的工业推理。作为机器学习技术的代表，人工神经网络（ANN）将广泛地用于解决现实世界的问题。
集成了非线性加速器的光子神经网络的结构示意图，它通过编程产生不同的非线性激活函数。(ECU: 电控单元；PCM: 相变材料；MZI: 马赫-泽恩德干涉仪）。图片来源：徐泽峰
尽管有图形处理单元（GPU）、特定应用集成电路（ASIC）和现场可编程门阵列（FPGA）芯片的加速，但应用于现实世界的人工神经网络（ANN）受到低计算速度、高能量消耗和并行计算能力不足的限制。
根据 “Nature Photonics” 的一篇社论 “机器学习的崛起”，"光子神经形态计算似乎将提供巨大的机会" 有可能解决这个问题。
然而，正如加州大学洛杉矶分校（UCLA）校长教授Aydogan Ozcan在其题为"用光进行机器学习 " 的问答中所强调的那样，实现有效的非线性激活函数是成功的光子学集成的一个重大障碍。
由于缺乏高效实用的非线性光学处理作为大量节点的激活函数，全光实现确实存在挑战。--- Aydogan Ozcan, 加州大学洛杉矶分校校长教授
因此，许多研究项目已经在进行中，以努力寻找光子非线性激活函数的有效解决方案。
由新加坡国立大学设计与工程学院院长Aaron Voon-Yew Thean教授领导的新加坡国立大学（NUS）电子与计算机工程系的一组研究人员开发了一种新型的光子神经网络加速器，使用非易失性光阻（non-volatile Opto-Resistive ）RAM开关来达到可编程的非线性激活函数。
一个创新的光敏RAM开关、一个耦合器、一个双臂带移相器的马赫-泽恩德干涉仪以及一个电气控制单元构成了光子神经网络加速器的光-电混合结构。
主要的加速器部件，即基于MoS2的光阻式RAM开关，最初是为了在输入光功率和开关电压之间提供出色的线性而开发和改进的。
此外，由于其非线性开关的特性，光阻式RAM开关可以规避典型的光子组件（如传统的光电探测器）中受限的线性响应。光子神经网络还首次使用了二维材料。
该加速器与精细调整的移相器和电气控制单元相结合，实现了卓越的可编程性。这使得它可以用来准确地表示各种非线性激活函数，如sigmoid、softplus和钳制的整顿线性单元（ReLU）。这些在ANN的加速过程中起着至关重要的作用。
在MNIST手写数字识别任务中，该加速器已在原位全光子神经网络中成功演示。将新构建的加速器与其他先进的设计相比较，该团队实现了91.6%的优秀精度，平均功耗大幅降低了20倍，并将硬件体积减少了近40%。
由于其极高的效率和计算密度，所报告的架构为开发用于未来边缘人工智能、智惠城市、自动驾驶和超级计算机的原位光子神经网络提供了新的途径。
人们正在寻找更有效的光电器件，以实现光子神经形态计算。关键部件是非易失性模拟开关和阈值处理装置。这里有一个完美的建议，即用新颖的材料来实现这些设备。--- Aaron Voon-Yew Thean，新加坡国立大学设计与工程学院院长
该研究的第一作者是新加坡国立大学的研究生徐泽峰，他也是Thean教授实验室的成员，他同时在攻读博士学位和MBA学位。
光子学可以彻底改变人工智能，激励一个巨大的新兴市场。--- 徐泽峰，该研究的第一作者，新加坡国立大学研究生。
微信公众号 
bilibili 
微信视频号