突破性光驱动芯片可加速人工智能训练并降低能耗。

宾夕法尼亚大学的工程师们研发出了首款能够利用光训练非线性神经网络的可编程芯片——这是一项重大突破，有望显著加速人工智能训练、降低能耗，并有望打造出全光驱动的计算系统。

与依赖电能的传统人工智能（AI）芯片不同，这种新型芯片是光子芯片，意味着它使用光束进行计算。相关研究发表于《自然·光子学》上，该研究展示了该芯片如何通过操控光线来执行现代人工智能所必需的复杂非线性运算。

“非线性函数对于深度神经网络的训练至关重要，”材料科学与工程以及电气与系统工程专业教授、本研究的主要作者梁峰（Liang Feng）解释道，“我们的目标就是首次在光子学中实现这一点。”

光子人工智能中的缺失部分

如今，大多数人工智能系统都依赖于神经网络，这是一种旨在模仿生物神经组织的软件。正如神经元相互连接，使生物体能够思考一样，神经网络也将简单单元或“节点”的层级相互连接，从而使人工智能系统能够执行复杂任务。

在人工系统和生物系统中，这些节点只有达到阈值时才会“激活”——这是一个非线性过程，使得输入的微小变化能够引发输出中更大、更复杂的变化。

如果不具备这种非线性特征，增加层数就毫无意义：系统只是简化为单层线性运算，其中输入只是简单地相加，而不会产生真正的学习。

包括宾夕法尼亚大学工程学院在内的许多研究团队虽然已经研发出了能够处理线性数学运算的光驱芯片，但在此之前，还没有任何研究团队能够攻克仅使用光来表示非线性函数的难题。

电气与系统工程系博士后研究员、本文第一作者吴天炜（2024届毕业生）表示：“没有非线性函数，光子芯片就无法训练深度网络或执行真正的智能任务。”

以光塑光

该团队的突破始于一种对光有反应的特殊半导体材料。当一束携带输入数据的“信号”光穿过这种材料时，一束第二“泵浦”光从上面照射进来，调整材料的反应方式。

通过改变泵浦光的形状和强度，研究团队可以控制信号光如何根据强度和材料特性被吸收、传输或放大。这一过程为芯片“设定程序”，以执行不同的非线性功能。

冯（Feng）说：“我们并未改变芯片的结构，而是利用光本身在材料内部创建图案，进而重塑光穿过材料的方式。”

结果是形成了一个可重新配置的系统，该系统能够根据不同的泵浦模式来表达广泛的数学函数。这种灵活性使芯片能够进行实时学习，并根据其输出的反馈调整其行为。

以光速训练

为了测试芯片的潜力，团队使用芯片解决了基准人工智能问题。该平台在简单的非线性决策边界任务中实现了97%以上的准确率，在机器学习标准中著名的鸢尾花数据集上实现了96%以上的准确率。

在这两种情况下，光子芯片的表现均与传统数字神经网络相当或更优，而且它使用的运算更少，也不需要耗电量大的电子元件。

一个引人注目的结果是，芯片上仅四个非线性光学连接就等效于传统模型中具有固定非线性激活函数的20个线性电子连接。随着架构规模的扩大，这种效率预示着未来的可能性。

与制造后便固定不变的光子系统不同，宾大芯片起始于一张空白画布。泵浦光就像画笔，在材料中绘制可重新编程的指令。

冯（Feng）说：“这充分证明了现场可编程光子计算机的可行性。朝着未来以光速训练人工智能的目标，我们又迈出了一步。”

未来方向

虽然当前的工作重点是多项式——一种在机器学习中广泛使用的灵活函数族——但该团队认为，他们的方法未来可能会实现更强大的运算，如指数运算或反函数运算。这将为处理训练大型语言模型等大规模任务的光子系统铺平道路。

通过用低能耗光学元件替换发热电子元件，该平台还有望大幅降低人工智能数据中心的能耗，可能为机器学习的经济层面带来变革。

梁（Liang）说：“这可能是光子计算真正成为电子计算有力替代者的开端。宾夕法尼亚大学是世界上第一台电子数字积分计算机（ENIAC）的诞生地，而这块芯片可能是朝着光子ENIAC迈出的第一步。”

参考文献：《可现场编程的光子非线性》，作者：吴天炜、李燕坤、葛力、冯亮，发表于2025年4月15日《自然·光子学》期刊。DOI：10.1038/s41566-025-01660-x

本研究由宾夕法尼亚大学工程学院与应用科学学院开展，并获得国防高级研究计划局（DARPA）（编号：W911NF-21-1-0340）、海军研究办公室（ONR）（编号：N00014-23-1-2882）和国家科学基金会（NSF）（编号：ECCS-2023780、ECCS-2425529、DRM-2326699、PHYS-1847240、DMR-2326698）的支持。