背景

人工智能時代，某項技術可以像人腦一樣工作，不再是遙不可及的夢想，例如智能手機已經能夠識別人臉或者語言。

然而，當實現更加復雜的應用時，計算機仍然會迅速觸及極限。其中一個原因就是，在傳統的馮·諾依曼體系結構中，計算機的存儲器和處理器是分開的，因此所有的數據必須在二者之間來回移動。

馮·諾依曼體系結構（圖片來源：維基百科）

CPU的運算速度增長得較快，內存的訪問速度增長得較慢，它們之間存在速度不匹配的問題，也就是所謂的“馮·諾依曼瓶頸”。這一瓶頸不僅限制了系統帶寬，增加了系統功耗，也會進一步增加計算機的成本和體積。

為了突破這一瓶頸，科學家們希望從人腦結構中獲取到靈感。人腦領先于最先進的現代計算機，因為它在同一個地方（神經突觸，或者說神經元之間的連接）處理和存儲信息，人腦中有數以百萬億的神經元。

下圖所示：生物神經網絡中的神經元與突觸

（圖片來源：Aleksandr Kurenkov 與 Shunsuke Fukami）

創新

近日，德國明斯特大學、英國牛津大學和?？巳卮髮W成功開發出一種硬件，為創造類腦計算機鋪平了道路?？茖W家們設法創造出一個含有人工神經元網絡的芯片，這種人工神經元在光線的作用下工作，并能夠模仿人腦神經元與突觸的行為。

（圖片來源：WWU - Peter Le?mann）

研究人員已經能夠證明，這種光學神經突觸網絡能夠“學習”信息，并且使用它作為計算和模式識別的基礎，就像大腦一樣。因為這個系統僅過光線運作，而不是通過傳統的電子運作，所以它處理數據的速度快許多倍。

明斯特大學教授、這項研究的首席合伙人沃爾夫拉姆·佩尼斯（Wolfram Pernice）表示：“這種集成化的光子系統是一個實驗性的里程碑。以后，該方案可應用于許多不同領域，例如醫療診斷，以評估大數據中的模式?！边@項研究發表在最近一期的《自然（Nature）》期刊上。

下圖所示：基于光線的腦啟發芯片示意圖。通過模仿生物神經元系統，光子神經形態處理器為應對機器學習和模式識別中的挑戰，提供了一種有希望的平臺。

（圖片來源：Johannes Feldmann）

技術

現有的大多數與所謂的“神經形態網絡”相關的現有方案都是基于電子的。然而，采用光子或者說光粒子的光學系統，仍然處于初級階段。

通過憶阻器陣列模仿神經元和突觸的工作方式（圖片來源：功能材料自旋電子學研究小組，格羅寧根大學）

德國與英國的科學家們采用的原理如下：可傳輸光線并制作到光學微芯片中的光波導與所謂的“相變材料”集成到一起，相變材料已經應用于如今的存儲媒介，例如可重寫的DVD。這些相變材料的特征是，根據它們是晶體（原子排列采用常規樣式）還是無固定形狀（原子排列采用非常規樣式），它們會動態改變光學特性。

如果用激光加熱材料，這種相變會通過光線觸發。論文領導作者、在明斯特大學讀博時開展過許多實驗的約翰內斯·費爾德曼（Johannes Feldmann）表示：“因為材料反應得如此強烈，并動態地改變其特性，所以它非常適合模仿突觸，以及兩個神經元之間的脈沖傳遞?！?p class="one-p" style="margin-top: 0px; margin-bottom: 2em; padding: 0px; line-height: 2.2; overflow-wrap: break-word; word-wrap: break-word; font-family: ">在他們的研究中，科學家們首次成功地將許多納米結構化的相變材料合并到一個神經突觸網絡中。研究人員們開發出一個具有4個人工神經元以及總共60個突觸的芯片。由不同層組成的芯片結構，是基于所謂的“波分復用”技術。通過這種處理，光線在光學納米電路中不同通道之間傳輸。

全光學脈沖神經元電路（圖片來源：參考資料【1】）

為了測試該系統識別模式的程度，研究人員們采用兩種不同的機器學習算法，以光脈沖的形式將信息輸入到系統中。在這個過程中，人工系統從示例中“學習”，最終可以歸納它們。假如采用兩個算法，即所謂的監督學習與無監督學習，該人工網絡最終能在給定光線模式的基礎上，識別需要尋找的模式，其中一種就是四個連續的字母。

價值

約翰內斯·費爾德曼表示：“我們的系統使我們朝著創造出像大腦中神經元與突觸一樣工作的計算機硬件邁出了重要的一步，這種硬件也可以完成現實世界的任務?！闭撐暮现?、牛津大學教授哈里什·巴斯卡蘭（Harish Bhaskaran）補充道：“通過采用光子取代電子，我們可以發揮光學技術的全部潛力，不僅是為了傳輸數據（到目前為止的情況），也是為了在同一個地方處理和存儲數據?！?p class="one-p" style="margin-top: 0px; margin-bottom: 2em; padding: 0px; line-height: 2.2; overflow-wrap: break-word; word-wrap: break-word; font-family: ">一個非常特殊的例子就是，在這種硬件的幫助下，癌細胞可以被自動分辨出來。然而，在這種應用實現之前，還有許多工作要做。研究人員們需要增加人工神經元和突觸的數量，以及增加神經網絡的深度。例如，這些可以采用硅技術制造的光學芯片來實現。論文合著者、 Fun-COMP 項目領導者、?？巳卮髮W教授大衛·賴特（C. David Wrigh）表示：“這一步將在歐盟合作項目‘Fun-COMP’中采用生產納米芯片的加工工藝實現。”

參考資料

【1】J. Feldmann et al.All-optical spiking neurosynaptic networks with self-learning capabilities. Nature, 2019 DOI: 10.1038/s41586-019-1157-8

【2】https://www.uni-muenster.de/news/view.php?cmdid=10253