在模式识别、风险管理和其他类似复杂任务方面，即使是最强大的计算机也无法与人脑匹敌。然而，光学神经网络的最新进展正在通过模拟人类大脑中神经元的反应方式来缩小这一差距。
在实现大规模光学神经网络的关键步骤中，研究人员展示了一种第一个多层全光人工神经网络。一般来说，这种类型的人工智能可以解决传统计算方法无法解决的复杂问题，但目前的设计需要大量的计算资源，既耗时又耗能。因此，开发实用的光学人工神经网络具有极大的兴趣，因为它比传统计算机更快、功耗更低。
在光学学会出版的《光学学报》(Optica)上，来自香港科技大学(Hong Kong University of Science and Technology)的研究人员详细介绍了他们的双层全光神经网络，并成功地将其应用于一项复杂的分类任务。
研究小组成员刘俊伟(音译)表示:“我们的全光方案可以使神经网络以光速进行光并行计算，同时消耗的能量很少。”“大规模的全光神经网络可以应用于从图像识别到科学研究的各个领域。”
建设全光网络
在传统的混合光神经网络中，光学元件通常用于线性操作，而非线性激活功能(模拟人脑神经元反应的功能)通常是电子实现的，因为非线性光学通常需要高功率激光器，而这在光神经网络中很难实现。
为了克服这一挑战，研究人员使用具有电磁诱导透明性的冷原子来执行非线性函数。“这种光诱导效应可以用非常微弱的激光功率来实现，”研究小组成员杜胜旺(音译)说。“因为这种效应是建立在非线性量子干涉的基础上的，所以有可能将我们的系统扩展成量子神经网络，从而解决经典方法无法解决的问题。”
为了验证新方法的能力和可行性，研究人员构建了一个具有16个输入和2个输出的两层全光神经网络。研究人员利用他们的全光网络对磁场统计模型伊辛模型的有序和无序相进行了分类。结果表明，全光神经网络与训练有素的计算机神经网络具有相同的精度。
更大尺度的光学神经网络
研究人员计划将全光方法扩展到大规模的全光深度神经网络，该网络具有复杂的结构，可用于特定的实际应用，如图像识别。这将有助于证明该方案在更大范围内有效。
杜说:“尽管我们的工作是一个原则性的证明，但它表明，未来开发光学版本的人工智能是可能的。”刘补充说:“与今天基于计算机的人工智能相比，下一代人工智能硬件本质上要快得多，能耗也更低。”
电话咨询
在线咨询