布景
大脑是人体最重要的器官之一，它支撑着人的视觉、听觉、平衡、味觉、嗅觉、回忆、情感、学习等。大脑的结构十分杂乱，它由大约1千亿个神经元（Neuron）组成，并由约100万亿个突触（Synapse）衔接。这些神经元与突触一同构成了一个极端巨大的生物神经网络。
生物神经网络中的神经元与突触（图片来历：维基百科）
生物神经网络使大脑具有十分强壮的核算与学习才能，能以十分低的功耗，并行处理许多数据。即便是现在最强壮的核算机，当涉及到模式辨认、危险办理及其他相似的杂乱使命时，也依然无法与人脑抗衡。
为了仿照人脑的作业办法，科学家们提出了人工神经网络（Artificial Neural Network，即ANN）。它从信息处理视点对人脑神经元网络进行笼统，树立某种简略模型，按不同的衔接办法组成不同的网络。人工神经网络是一种可完成并行核算的分布式体系，具有自适应、自组织和实时学习等特色。
但是，选用人工神经网络履行各种使命，例如无人驾驶、语音辨认、科学研讨，需求许多的核算资源。这样不只会耗费许多能量，也会花费很长时刻。一般来说，学习这些使命需求选用集成许多处理器的大型核算机，而练习时刻会长到达数周乃至数月。
为此，科学家们一直在尽力探究新的神经网络体系处理计划，其间比较典型的有“根据忆阻器的神经网络”与“光学神经网络”。今日，咱们要要点重视的是光学神经网络。与根据传统核算机处理器的神经网络比较，选用光学器材打造的光学神经网络的处理速度更快，功耗更低。
例如，上一年8月，美国加州大学洛杉矶分校（UCLA）的科研团队抛弃选用速度慢、能耗高的传统电子硬件，取而代之的是选用光波完成简直零能耗、零推迟的深度学习体系。他们提出一种全光学的深度学习结构：衍射深度神经网络（Diffractive Deep Neural Network，D2NN）。该网络使用层级传达的光衍射来履行核算，完成了手写数字的图像辨认。
（图片来历：UCLA）
又例如，本年5月，德国明斯特大学、英国牛津大学和埃克塞特大学成功开发出包括人工神经元网络的芯片，这种人工神经元能在光线效果下作业，仿照人脑神经元与突触的行为。这种光学神经突触网络能像大脑相同“学习“信息。由于这个体系只是过光线运转，而不是经过传统的电子运转，所以处理速度要快许多倍。
能仿照生物神经元体系的全光学类脑核算芯片示意图。（图片来历：Johannes Feldmann）
立异
近来，香港科技大学的研讨人员演示了一种全新的多层全光学人工神经网络，向着有用的大规划光学神经网络迈出了要害一步。
（图片来历：Olivia Wang, Peng Cheng Laboratory）
在美国光学学会高影响力学术期刊《Optica》上，该校研讨人员详细描述了他们的双层全光学神经网络，并成功地将它使用于一项杂乱的分类使命。
技能
在传统的混合光学神经网络中，光学组件一般用于线性运算，而非线性激励函数（仿照人脑中神经元呼应办法的函数）一般会选用电子办法完成，由于非线性光学器材一般需求大功率激光器，而大功率激光器在光学神经网络中很难完成。
为了战胜这一应战，研讨人员选用具有电磁诱导通明效应的冷原子履行非线性函数。研讨团队成员之一的杜晟旺（Shengwang Du，音译）标明：“这种光诱导效应能以十分弱的激光功率完成。由于这种效应是根据非线性量子干与，所以它有或许将咱们的体系扩展到量子神经网络中，然后处理经典办法难以处理的问题。”
为了承认新计划的才能与可行性，研讨人员结构了一个两层全衔接全光学神经网络，其输入单元与输出单元的数目分别为16和2。研讨人员选用他们的全光学网络对一种磁性计算模型“伊辛模型（Ising model）”的有序相和无序相进行分类。研讨结果标明，全光学神经网络与练习有素的核算机基神经网络相同精确。
下图所示：一般的全光学神经网络。(a) 一种典型的双层神经网络 ；(b)包括线性与非线性运算功用的光学神经元的试验完成原理图。
（图片来历：参考资料【1】）
价值
研讨团队成员之一的刘俊伟（Junwei Liu, 音译）标明：“咱们的全光学计划能够完成一种以光速履行光学并行核算的神经网络，并且耗费的能量很少。这种大规划的全光学神经网络将使用于从图像辨认到科学研讨的许多范畴。”
研讨人员们计划将这种全光学计划拓宽至具有杂乱架构的大规划全光学深度神经网络，这些神经网络是为特别的实践使用例如图像辨认而规划的。这将有助于证明以更大规划运转的计划。
杜晟旺（音）标明：“虽然咱们的作业是一种原理证明性的演示，但它标明，未来开发光学版别的人工智能将成为或许。”刘俊伟（音）弥补道：“新一代的人工智能硬件，与当今的核算机基人工智能比较，本质上要快得多，并且功耗更低。”
要害字
光学、大脑、神经网络、人工智能
参考资料
【1】Ying Zuo, Bohan Li, Yujun Zhao, Yue Jiang, You-Chiuan Chen, Peng Chen, Gyu-Boong Jo, Junwei Liu, Shengwang Du.All-optical neural network with nonlinear activation functions. Optica, 2019; 6 (9): 1132 DOI: 10.1364/OPTICA.6.001132
【2】https://work/
