美国麻省理工学院(MIT)科学家在6月12日出版的《自然·光学》杂志上发表论文称，他们开发出一种全新的光学神经网络系统，能执行高度复杂的运算，从而大大提高“深度学习”系统的运算速度和效率。

　　“深度学习”系统通过人工神经网络模拟人脑的学习能力，现已成为计算机领域的研究热门。但由于在模拟神经网络任务中，需要执行大量重复性“矩阵乘法”类高度复杂的运算，对于依靠电力运行的传统CPU(中央处理器)或GPU(图形处理器)芯片来说，这类运算太过密集，完成起来非?！俺粤Α?。

　　通过几年努力，MIT教授马林·索尔贾?？撕屯驴⒊龉庋窬缦低车闹匾考驴杀喑棠擅坠庋Т砥鳎庑┕庋Т砥髂茉诩负趿隳芎牡那榭鱿轮葱腥斯ぶ悄苤械母丛釉怂?。索尔贾?？私馐偷?，普通眼镜片就能通过光波执行“傅里叶变换”这样的复杂运算，可编程纳米光学处理器采用了同样的原理，其包含多个激光束组成的波导矩阵，这些光波能相互作用，形成干涉模式，从而执行特定的目标运算。

　　研究小组通过测试证明，与CPU等电子芯片相比，这种光学芯片执行人工智能算法速度更快，且消耗能量不到传统芯片能耗的千分之一。他们还用可编程纳米光学处理器构建了一个神经网络初级系统，该系统能识别出4个元音字母的发音，准确率达到77%。他们的最终目标是，将可编程纳米光学处理器交叉铺成多层结构，构建光学网络神经系统，模拟人脑中神经元执行复杂的“深度学习”运算。

　　索尔贾希克表示，新光学处理器还能用于数据传输中的信号处理，更快速实现光学信号与数字信号间的转换。未来，在大数据中心、安全系统、自动驾驶或无人机等所有低能耗应用中，基于新光学处理器的复杂光学神经网络将占据重要席位。