Fully analog end-to-end online training with real-time adaptability in integrated photonics

想象一台像生物大脑一样学习的计算机：它不是通过遵循僵化的、预先写好的脚本，而是通过在遇到新信息时不断调整自身的连接来进行学习。几十年来，科学家们一直试图构建能够模仿这种生物灵活性的机器，希望创造出更快速、更高效且能够在复杂多变的现实世界中运行的人工智能。依赖于“开”或“关”两种数字开关的传统计算机，在处理这种连续适应性方面显得力不从心。它们通常需要一个单独的、耗时的步骤，在尝试再次运行前先从错误中学习。在被称为光子学的光基计算领域，研究人员已经制造出了利用光束而非电流来处理信息的芯片，其处理速度极快。然而，一个主要的障碍始终存在：如何让这些基于光的系统在无需外部缓慢的数字大脑告知其如何改变的情况下，实现即时的、实时的学习。

一组研究人员现在展示了一个弥合这一差距的运行原型。他们制造了一块硅芯片，该芯片可以在光的模拟域内完全进行学习、适应和自我纠正，而无需暂停去由另一台计算机计算误差。这项最近发表的研究中所描述的系统，代表了向能够在动态环境中自主运行的机器迈出的重要一步，例如在突发天气变化中行驶的自动驾驶汽车，或是在温度变化中进行调整的传感器网络。通过证明光子处理器可以在积极工作的同时更新其内部设置，研究人员展示了一条通往不仅快速而且具有韧性和自给自足能力的人工智能之路。

这一成就的核心在于一种全新的教学方式。在目前大多数系统中，计算机执行任务，检查结果，计算误差，然后更新其设置。这是一个会产生延迟的两步过程。然而，新系统在工作的同时进行学习。它使用了一种称为“多路复用梯度下降”的方法，这听起来很复杂，但其原理非常简单，即试错法。芯片对其内部被称为“权重”的设置进行微小且快速的调整，并立即测量这些变化如何影响最终结果。如果一次微调改善了结果，芯片就会保持该方向；如果情况变差，它则会退回原状。至关重要的是，芯片是通过物理测量光输出以观察自身变化的效应，而不是依赖数字模拟来推算变化，从而实现这一过程。这使得学习与执行能够在同一时刻发生。

为了测试这个想法，研究人员构建了一个单片集成光子处理器。这是一个由硅制成的单一芯片，采用标准的工业技术制造，其中包含捕捉并引导光的微型环结构。这些环充当了神经网络的可调权重。团队通过不同颜色的光将数据输入芯片，每种颜色都携带一段信息。当光穿过这些环时，系统会调整环的属性以执行计算。为了训练该系统，他们对环施加了微小的随机振动，并观察光输出的变化情况。通过观察这些变化，芯片可以确定如何调整其设置以获得更好的答案。这个过程完全发生在光的模拟世界中，绕过了通常会减慢速度的复杂数字计算。

结果令人瞩目。该系统成功学会了分类数据，能以高准确度区分不同的模式。更重要的是，它展示了在无需人工干预的情况下适应环境变化的能力。在一次实验中，研究人员在芯片工作时改变了游戏规则。他们要求系统根据一个在不同角度旋转的直线进行数据分类。每隔几分钟，角度就会发生偏移。芯片并没有因此失效或需要重新编程，而是迅速检测到了变化，调整了其内部权重，并在短短几秒钟内恢复了正确的数据分类。它几乎在每次偏移后都能立即恢复高水平的准确度，证明了它能够实时追踪移动的目标。

研究人员还测试了系统针对物理干扰的韧性，这是光学设备常见的问题。光子芯片通常对温度很敏感；即使是轻微的升温也会扭曲光路径并破坏计算。在一次受控测试中，团队改变了芯片的温度数度，模拟了设备在现实世界中可能面临的波动。随着温度升高，芯片的性能最初有所下降。然而，由于系统一直在学习，它感知到了质量的下降，并自动调整设置以进行补偿。它将准确度恢复到了之前的水平，有效地从环境压力中实现了“自我修复”。这种自我纠正持续进行，使得设备即使在周围条件发生变化时也能保持稳定的运行。

为了理解这项技术如何扩展到更复杂的任务，研究人员创建了该系统的“数字孪生”。这是一个虚拟模型，模拟了一个拥有更多层连接的更大规模网络。他们利用这个模型测试了一个具有挑战性的分类任务，涉及一个类似于阴阳符号的形状，这个问题需要系统理解复杂的非线性边界。模拟显示，即使存在于真实硬件中固有的缺陷和噪声，系统仍能实现高准确度。该虚拟模型确认，在小型物理芯片中使用的这种方法可以应用于更大、更复杂的网络，这表明该方法并不局限于简单的实验。

这种新方法的速度和效率非常显著。物理芯片的速度极快，光线穿过它仅需皮秒（一万亿分之一秒）的时间。虽然目前的版本使用热量来调整权重（这需要零点几秒的时间来稳定），但研究人员指出，未来的版本可以使用电信号来进行这些调整，从而使学习过程提速千倍。其能耗也极低，包括读取结果所需的电子设备在内的整个系统，其功耗还不及一个小灯泡。这种速度与低能耗的结合表明，此类芯片未来可以为那些需要做出瞬时决策且无需消耗大量电池的设备提供动力。

这项工作并不声称已经解决了人工智能的所有问题，但它解决了一个特定且关键的瓶颈：硬件无法持续学习并进行实时适应。通过将学习过程直接引入硬件并保持在模拟域内，研究人员消除了与数字处理相关的延迟和能源成本。该系统对于通常困扰此类精密设备的噪声和缺陷具有鲁棒性，并且能够处理现实世界的不可预测性。这项研究提供了一个具体的证明，即机器可以被制造得在学习的过程中不断进化，通过调整自身的内部逻辑来匹配不断变化的环境。这种能力为新一代智能系统打开了大门，这些系统不仅快速，而且灵活且自立，能够在传统计算机往往难以应对的动态条件下运行。