光子神经网络系统，其速度快且能效高，对于处理大量数据特别有帮助。为了推动光子脑式计算技术的发展，斯特拉斯克莱德大学的一组研究人员将基于脉冲的神经网络与半导体激光器相结合，该激光器展示了脉冲神经元行为。

最近，他们提出了一个高性能的光子脉冲神经网络操作方式，其训练需求较低，并引入了一种新的训练方案以获得更好的结果。这项研究发表在《智能计算》杂志上。

神经网络受生物神经元网络的启发，通过提供对复杂任务的高效解决方案，已经为人工智能带来了革命性的进展。为了进一步发挥其潜力，研究人员一直在将其他技术纳入到人工神经网络中，并取得了一些成功。

光子网络系统的成功应用示例是，基于光的或光子神经网络系统以更快的速度和更好的能效运行，这使它们在处理大量数据方面特别有帮助，并为未来的人工智能应用提供了希望。

作者提出的脉冲神经网络基于一个硬件友好型的光子系统，只包含一个常见设备——垂直腔面发射激光器，这是一种常用于手机的设备。这个提议是在同一组作者早期研究的基础上进行改进的，在这个研究中，他们将储层计算（一种用于构建光子神经网络和解决复杂任务的强大方法）与使用同类型的激光器构建的神经形态脉冲神经元相结合。

在当前的论文中，作者完成了一个更具挑战性的分类任务，并应用了一种替代的训练方案来提高训练的速度和效率，同时减少训练需求。

他们解决的分类任务是一个高度复杂、多变量且非线性的问题，每个数据点涉及500个特征，并基于人工数据集MADELON。为了创建这个脉冲神经网络，作者使用了一个实验装置，将激光的非线性脉冲动态与由储层计算启发的架构相结合。

在这个架构中，输入数据进行时分复用，即被分成不同的时间槽。每个时间槽代表神经网络中的一个虚拟神经元。输入数据被注入和处理激光器，并将输出解释为二进制节点输出，根据输入数据是否超过一定阈值来决定是否发出脉冲。

作者成功展示了光子脉冲神经网络的计算能力，既使用了传统的最小二乘回归训练方法，也使用了他们新提出的“显著性”训练方法。后者根据节点的整体有用性和重要性分配二进制权重。

这两种方法都在短时间内取得了超过94%的优秀分类准确率，超过了基准性能。使用新方法获得的准确率分别为94.4%和95.7%，高于传统方法。使用新方法训练的脉冲神经网络在小型训练集上表现出色，这些训练集中的数据点少于10个。

总而言之，所提出的光子脉冲神经网络以其超快的性能、低功耗和硬件友好的实现方式超过了传统的数字半导体处理系统。作者认为，这项研究可能为完全基于光学硬件运行的光子处理系统创造了新的可能性，使其能够以高准确性、高速度和高能效的方式处理高度复杂的任务。