现代计算机模型，例如针对复杂且强大的人工智能应用的模型，将传统的数字计算机处理推至其极限。模拟生物神经网络工作原理的新型计算架构有望实现更快、更节能的数据处理。

一组研究人员现已开发出一种被称为“事件驱动架构”的技术，利用光子处理器来传输和处理数据。类似于大脑，这种技术实现了神经网络内连续自适应的可能性。这种可变的连接是学习过程的基础。

为了研究的目的，一支由物理学家沃尔夫拉姆·佩尔尼斯教授、马丁·萨林加教授以及计算机专家本杰明·瑞斯教授组成的团队，都来自于德国明斯特大学，与英国埃克塞特大学和牛津大学的研究人员共同合作。研究成果已经发表在《科学进展》杂志上。

在机器学习中，神经网络所需要的是由外部兴奋信号激活的人工神经元，且它们与其他神经元存在连接。这些人工神经元之间的连接称为突触，就像生物体内的原始模型一样。

在他们的研究中，位于门斯特的研究团队使用了一种由近8400个光学神经元构成的网络，这些神经元由波导耦合相变材料制成。研究团队展示了这些神经元之间的连接确实可以变得更强或更弱（即突触可塑性），并且新的连接可以形成，或者现有连接可以被消除（即结构可塑性）。

与其他类似研究不同的是，这些突触不是硬件元件，而是通过光脉冲的特性进行编码，也就是说，是通过相应的波长和光脉冲的强度来实现的。这使得我们能够在一个芯片上整合数千个神经元并进行光学连接。

与传统的电子处理器相比，基于光的处理器提供了显著更高的带宽，使得能够进行复杂的计算任务，并且能耗更低。这种全新的方法基于基础研究。“我们的目标是开发出一种光学计算架构，从长远来看，能够以高速和高效的方式计算人工智能应用，”作者之一Frank Brückerhoff-Plückelmann说道。

这种非挥发性、相变材料可以在无序原子排列的非晶态结构和高度有序的晶体结构之间进行切换。这一特性使得数据可以永久存储，即使没有能量供应。

研究人员通过使用进化算法来训练神经网络，以区分德语和英语文本，并测试了其性能。他们所使用的识别参数是文本中元音的数量。