自适应光神经网络连接数千个人工神经元

德国梅恩斯特大学的物理学家Wolfram Pernice教授、Martin Salinga教授和计算机专家Benjamin Risse教授领导的科学家们利用光子处理器开发了一种所谓的基于事件的架构。与大脑类似，这使得神经网络内连接的持续适应成为可能。

　　

现代计算机模型——例如复杂、强大的人工智能应用——将传统的数字计算机过程推向了极限。模拟生物神经网络工作原理的新型计算架构有望实现更快、更节能的数据处理。一组研究人员现在开发了一种所谓的基于事件的架构，使用光子处理器，通过光来传输和处理数据。与大脑类似，这使得神经网络内连接的持续适应成为可能。这种变化的联系是学习过程的基础。为了这项研究的目的，一个在1459合作研究中心(“智能物质”)工作的团队——由物理学家Wolfram Pernice教授、Martin Salinga教授和计算机专家Benjamin Risse教授领导。这项研究发表在《Science Advances》杂志上。

在机器学习中，神经网络所需要的是由外部兴奋信号激活的人工神经元，这些人工神经元与其他神经元有连接。这些人造神经元之间的连接被称为突触——就像生物原始神经元一样。在他们的研究中，麻省理工学院的研究小组使用了一个由波导耦合相变材料制成的近8400个光学神经元组成的网络，研究小组表明，这些神经元之间的连接确实可以变得更强或更弱(突触可塑性)，并且可以形成新的连接，也可以消除现有的连接(结构可塑性)。与其他类似的研究不同的是，这些突触不是硬件元件，而是根据光脉冲的特性进行编码的——换句话说，根据光脉冲各自的波长和强度进行编码。这使得在一个芯片上集成数千个神经元并将它们光学连接起来成为可能。

与传统的电子处理器相比，基于光的处理器提供了明显更高的带宽，使其能够以更低的能耗执行复杂的计算任务。这种新方法包括基础研究。“我们的目标是开发一种光学计算架构，从长远来看，它将使以快速和节能的方式计算人工智能应用成为可能，”该研究的主要作者之一Frank Brückerhoff-Plückelmann说。

方法:非挥发性相变材料可以在非晶结构和具有高度有序原子晶格的晶体结构之间切换。该特性允许在没有能源供应的情况下永久存储数据。研究人员通过使用进化算法来训练神经网络区分德语和英语文本，从而测试了神经网络的性能。他们使用的识别参数是文本中元音的数量。

Event-driven adaptive optical neural network