文|陈根
人类大脑拥有数十亿个神经元，每个神经元与其他神经元之间都存在着上千种连接，很多研究希望通过创造人工神经网络来模仿人脑以提升信息处理能力。近些年，随着科技的发展，深度神经网络开发获得了质的飞跃。在计算机视觉、语音识别、医疗诊断等领域，深度神经网络提供了大量支持。
目前，数字芯片上的消费级图像分类技术，每秒可执行数十亿次计算，速度能够满足大多数应用。但更复杂的图像，如识别运动物体、3D物体或人体细胞等方面，依然面临不少障碍。此外，在光学领域，尽管光子计算取得了不错的进展，但可扩展光芯片的缺乏以及光子器件的损失，限制了光学深度网络的前进。
近日，宾夕法尼亚大学的研究人员开发了一种功能强大的新型光学芯片，这是第一个完全在集成光子设备上，以可扩展方式实现的深度神经网络芯片，尺寸仅为9.3毫米（0.01英寸），每秒可对近20亿张图像进行分类。
传统电子设备通常使用基于数字时钟的平台，如图形处理单元（GPU）来实现数据处理，其中计算速度会受到时钟频率和内存访问时间的限制。并且，原始图像数据通常需要转换为数字电子信号，这不仅耗时较长，且需要大内存单元来存储图像和视频，而这可能会引发潜在的隐私问题。
不同于传统电子系统，该芯片是以光的形式处理信息，它使用光缆作为神经元，堆叠在多层中，每一层专门用于特定类型的分类。测试中，该芯片对包含两种类型字符的图像集分类能够达到93.8%的准确率，对四种类型的字符集识别能够达到89.8%的准确率。
此外，该芯片还能够在0.57 纳秒内对每个字符进行分类，使其每秒可以处理 17.5 亿张图像。与此同时，其也不需要存储正在处理的信息，这就大大节省了时间和保障了数据安全。
目前，相关研究成果已经发表在《自然》（<em>Nature</em>）期刊上；未来，该新型芯片能够促进人脸识别、自动驾驶等领域的发展。
