根据麦肯锡（McKinsey）最近的一份报告，机器学习应用正在飙升每年1650亿美元。但是，在机器能够执行智能任务(如识别图像细节)之前，它必须经过训练。训练现代人工智能(AI)系统，如特斯拉的自动驾驶仪，需要耗费数百万美元的电力，并需要类似超级计算机的基础设施。这种激增的人工智能“胃口”在计算机硬件和人工智能需求之间留下了越来越大的差距。
光子集成电路，或简称为光学芯片，已经成为一种提供更高计算性能的可能解决方案，通常以每秒每瓦特执行的操作数或TOPS/W来衡量。然而，尽管它们已经证明了用于数据分类的机器智能的核心操作得到了改善，光子芯片仍需改善实际的前端学习和机器训练过程。
机器学习是需要两步。首先，数据用于训练系统，然后其他数据用于测试AI系统的性能。在一篇新论文中，来自乔治华盛顿大学（George Washington University）、皇后大学（Queens University）、不列颠哥伦比亚大学（University of British Columbia）和普林斯顿大学（Princeton University）的一组研究人员开始着手进行这项研究。在一个训练步骤之后，团队发现了一个错误，并为第二个训练周期重新配置了硬件，随后是额外的训练周期，直到达到足够的人工智能性能(例如，系统能够正确标记电影中出现的对象)。到目前为止，光子芯片只展示了从数据中分类和推断信息的能力。现在，研究人员已经使加快训练步骤本身成为可能。
离线(慢速、浮点精度)和原位(快速、定点运算)训练光子神经网络。(a)使用数字平台(CPU/GPU)对模拟硬件系统建模并确定优化参数的离线训练，然后将这些参数映射到基于硬件的神经网络用于推理。(b)使用光子硬件直接确定优化的模拟神经网络参数的原位训练。
这种增加的人工智能能力是围绕光子张量核心和其他电子-光子专用集成电路(ASIC)的更大努力的一部分，这些集成电路利用光子芯片制造进行机器学习和人工智能应用。
皇后大学物理系助理教授Bhavin Shastri说，“人工智能系统的训练耗费了大量的能源和碳足迹。例如，一个人工智能变换器消耗的二氧化碳是一辆汽油车一生消耗的五倍。我们在光子芯片方面的培训将有助于降低这一开销。”
原文链接：
https://mediarelations.gwu.edu/teaching-photonic-chips-learn
论文链接：
