声波光子计算 光声计算的艺术印象。 （由龙辉达提供）
人类与机器的区别之一是我们能够处理情况的背景并根据内部分析和学到的经验做出明智的决策。
近年来，新的“智能”和人工“智能”机器系统得到了发展。 虽然它们确实具有基于分析数据和预测结果的智能，但许多智能机器网络很难将信息置于情境中，并且往往只是创建可能具有或不具有情境背景的一般输出。
我们是否想要构建能够像人类一样做出明智的上下文决策的机器，这将是另一天的伦理争论，但事实证明，神经网络可以配备循环反馈，使它们能够根据先前输入的信息处理当前输入。 这些所谓的循环神经网络 (RNN) 可以对信息序列（例如时间信号和语言）进行情境化、识别和预测，并已用于包括语言、视频和图像处理在内的众多任务。
现在人们对将电子神经网络转移到光学领域产生了很大的兴趣，创建能够以高能效高速处理大量数据的光学神经网络。 但是，尽管通用光学神经网络取得了很大进展，但循环光学神经网络的工作仍然有限。
需要新的光电器件
循环光学神经网络的开发将需要具有短期存储器的新型光电器件，该器件可以编程、计算光学输入、最小化噪声并且可扩展。 在马克斯·普朗克光科学研究所的 Birgit Stiller 最近领导的一项研究中，研究人员展示了一种满足这些要求的光声循环算子 (OREO)。
OREO概念 光脉冲中的信息部分转换为初始声波，影响第二和第三光声处理步骤。 （由 MPL 斯蒂勒研究小组提供）
OREO 中的声波连接后续的光脉冲并捕获其中的信息，用它来操纵接下来的操作。 OREO 基于受激布里渊-曼德尔斯坦散射，这是光波和行进声波之间的相互作用，用于增加延迟并减慢声速。 这一过程使OREO能够使用声波作为一种记忆形式，将时间编码的信息流置于上下文中，这不仅可以用来记住以前的操作，还可以作为操纵当前操作输出的基础——就像在电子计算机中一样。 RNN。
“我对光波产生声波以及通过声波操纵光非常热衷，”斯蒂勒说。 “声波可以创造出光可见的无需制造的临时结构，并且可以在细如发丝的光纤中操纵光，这一事实令我着迷。 基于光波和声波的相互作用构建智能神经网络促使我开始这一新的研究方向。”
OREO 设计用于任何光波导（包括片上设备），完全以光学方式控制循环操作。 与以前的方法相比，它不需要需要复杂制造工艺的人工储层。 全光控制在逐个脉冲的基础上执行，并提供高度的可重构性，可用于实现循环辍学（一种用于防止神经网络中过度拟合的技术）并执行最多 27 个模式的模式识别不同的光脉冲模式。
“我们首次证明，我们可以通过光产生声波，用于光学神经网络，”斯蒂勒告诉《物理世界》。 “这是基于光纤中光波和声波的相互作用和相互产生的新物理计算架构的概念证明。 例如，这些声波能够将几个后续的光子计算步骤相互连接起来，因此它们可以让当前的计算访问过去的知识。”
展望未来
研究人员得出的结论是，他们首次将行波声场与人工神经网络相结合，创建了第一个光声循环算子，该算子连接了后续光学数据脉冲携带的信息。
这些发展为更智能的光学神经网络铺平了道路，可用于构建一系列新的计算架构。 虽然这项研究为光神经网络带来了智能背景，但它可以进一步发展以创建基本构建块，例如非线性激活函数和其他光声算子。
“这次演示只是基于光与行进声波相结合的新型物理计算架构的第一步，”斯蒂勒说。 “我们正在研究升级我们的概念验证，研究其他光声构建模块，旨在实现由声波控制的更大的光学处理结构。”
该研究发表在《自然通讯》上。
资讯来源：由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有，未经许可，不得转载
