Scalable native signed optical computing enabled by dual-wavelength incoherent multiplexing
本文提出了一种基于薄膜铌酸锂平台的可扩展原生有符号光计算架构，该架构利用双波长非相干复用技术，以恒定的硬件开销执行双极性运算，在无需额外空间或时间编码的情况下实现了高速调制与精确的神经网络分类。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试教计算机识别模式，比如区分两种不同类型的云，或者读取手写数字。为此，计算机需要极快地执行数十亿道数学题。传统上，计算机利用电来完成这些计算，但它们正遭遇瓶颈：发热过大且速度过慢。
科学家们一直试图用光代替电来解决这些数学问题，因为光的速度极快且几乎不产生热量。然而，这里有一个巨大的难题：光本质上是“正”的。你可以拥有明亮的光束或暗淡的光束，但无法真正拥有“负光”。这使得基于光的计算机难以执行现代人工智能所需的数学运算，因为后者严重依赖正数和负数（就像温度计读数可以是 +10°C 或 -10°C）。
之前的尝试解决这一问题，就像试图背负一个沉重的背包，每增加一件物品，背包的体积就会随之增大。它们需要额外的硬件或额外的步骤来处理负数，导致系统随着规模扩大而变得笨重且低效。
新方案：双色技巧
本文中的研究人员构建了一种新的“光计算机”芯片，巧妙地解决了这一问题。以下是他们如何通过一个简单的类比来实现的：
问题所在：想象你是一位厨师，正在尝试混合食材。你需要混合“正”食材（如糖）和“负”食材（如盐）以获得正确的风味。但你的厨房只有能装糖的碗，没有装盐的碗。
旧方法：为了处理盐，你不得不建造第二个独立的厨房专门用来装盐，或者绕远路去另一个房间。这使得厨房变得巨大且缓慢。
新方法（本文方案）：科学家们发明了一个巧妙的技巧，利用两种不同颜色的光（将其想象为红光和蓝光）。
- 编码：他们不试图制造“负光”，而是将每个数字拆分为两部分：“红光”部分和“蓝光”部分。
- 正数主要是红光，附带少量蓝光。
- 负数主要是蓝光，附带少量红光。
- 共享路径：他们将这两种颜色送入同一条走廊（芯片上的同一条物理路径）。
- 魔法滤镜：他们使用一种特殊的滤镜（“加权单元”），以相反的方式处理红光和蓝光。如果滤镜使红光变亮，它会自动使蓝光变暗，反之亦然。
- 结果：当他们在末端测量红光和蓝光之间的差异时，数学运算自然地计算出正数或负数的结果，而无需第二个厨房或绕路。
为何这意义重大
- 无额外体积：在以往的方法中，如果你想做更多的数学运算，就必须构建更多的硬件。而在这个新系统中，处理负数的“成本”是固定的。无论你是在做一道小数学题还是大规模运算，所需的额外硬件保持不变。这就像拥有一个背包，无论你往里面加多少本书，它都不会变得更重。
- 超快速度：他们制造的芯片由一种名为薄膜铌酸锂的特殊材料制成。其速度极快，处理数据的速度超过每秒400 亿次（40 GHz）。这比蜂鸟翅膀扇动的速度还要快。
- 高精度：他们用两个著名的人工智能挑战测试了该系统：
- “月亮”任务：这是一个谜题，计算机需要画一条线来分隔两组弯曲的数据点。光计算机的准确率达到了95.1%。
- MNIST（手写数字）：识别手写的数字。该系统的准确率为91.63%，非常接近最佳电子计算机的水平。
总结
研究人员创造了一种微小、快速且高效的光计算机芯片，它无需额外的笨重设备即可自然地处理正数和负数。通过利用“双色”技巧来拆分数学运算，他们为未来的人工智能系统铺平了道路，这些系统将比当今的计算机更快、更节能，同时保持紧凑和可扩展性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。