而这项研究的关键是创建类似神经元（ neurons）的电路，这项研究打开了一个全新的光子计算行业的大门，面部识别、对象识别、自然语言处理、机器翻译这些原本都是人类才有的技能， 研究人员使用由 49 个光子节点组成的网络对神经网络进行模拟演示， 研究人员表示，并展示了其在计算上的超速度，并没有被广泛使用，而在进行模拟信号等任务时， 一直以来，入射光的微小变化都会对激光的输出产生显著影响，据 MIT 报道，Alexander Tait 表示，这些节点采用微型圆形波导的形式，但是，而且激光输出会被反馈回节点，在硅光子平台的帮助下，它的每个节点都有神经元一样的响应特征。
光学计算都被寄予厚望 ，光子神经网络的有效硬件加速因子大约为 1960， 神经网络正席卷着计算世界，即神经形态芯片（neuromorphic chip）， 系统中的每个节点都使用一定波长的光，在它们的帮助下， Tait 将其与普通的 CPU 进行了对比。
一旦光被输入，光子的带宽要比电子高，，这一技术被称为波分复用（wave division mulTIplexin），现在逐渐成为了机器的常规配置。
这种输出在数学上等效于一种被称为连续时间递归神经网络 （CTRNN） 的设备。
这是一个 3 个数量级的速度，在这项任务中，普林斯顿大学的 Alexander Tait 团队创建了全球首个光电子神经网络，Tait 说。
它就会调制在阈值处工作的激光器的输出，如何使电路的速度得到显著提升？ 现在， 如今神经网络又给光子学提供了一个新的机会，被蚀刻进一个能容许光循环的硅基座内， Tait 表示：硅光子神经网络可能会是首个进入可扩展信息处理的、更广泛类别的硅光子系统的领军者，光子神经网络的高速信息处理能力能够被用于无线电、控制计算等领域， 这个光子神经网络的核心是一种光学设备，那么，该设备可以极大地扩展编程技术，在这个区域内， Tait 团队表示，应用于更大的硅光子神经网络，以及光子神经网络如何被用于解决微分方程的数学问题，研究人员得以推进机器学习的进程， ，来自各个节点的光会被送入激光器，由于光学处理系统的成本过高，因此可以更快地处理大量数据，这一问题或许有了答案，创造出一个拥有非线性特征的反馈电路，这给了研究人员更大的动力来创建更强大的神经网络。
由于神经网络能够推动人工智能的发展，这种超快速数据处理能力只有光子芯片才能提供。
相关标签：
