光驱动的神经网络：研究团队在光纤中开发人工智能系统

从癌症诊断到新抗生素的创造，人工智能在推进生物技术和医疗程序方面发挥着关键作用。然而，大规模人工智能系统的生态足迹是巨大的。例如，训练像ChatGPT-3这样的广泛语言模型需要几千瓦时的能量——足够一个普通核电站满负荷运转几个小时。

来自耶拿莱布尼茨理工学院的Mario Chemnitz教授和bennett Fischer博士与他们的国际团队合作，设计了一种创新的方法来开发潜在的节能计算系统，从而放弃了对大量电子基础设施的需求。

他们利用光纤中光波的独特相互作用来打造一个先进的人工学习系统。与依赖包含数千个电子元件的计算机芯片的传统系统不同，他们的系统使用一根光纤。

这种纤维能够以光速执行各种神经网络的任务。“我们利用一根光纤来模拟众多神经网络的计算能力，”莱布尼茨理工学院“智能光子学”初级研究小组的负责人Mario Chemnitz解释说。“通过利用光的独特物理特性，该系统将在未来实现对大量数据的快速高效处理。”

深入研究这些机制可以揭示信息传输是如何通过光频率的混合发生的：数据——无论是图像的像素值还是音轨的频率分量——都被编码到超短光脉冲的颜色通道上。

这些脉冲通过光纤携带信息，经历各种组合、放大或衰减。在光纤输出端出现的新颜色组合使预测数据类型或上下文成为可能。例如，特定的颜色通道可以表示图像中的可见物体或声音中的疾病迹象。

机器学习的一个主要例子是从数千个手写字符中识别不同的数字。Mario Chemnitz、bennett Fischer和他们在巴西国家科学研究所(INRS)的同事们利用他们的技术将手写数字的图像编码到光信号上，并通过光纤对它们进行分类。

纤维末端颜色组成的变化形成了独特的颜色光谱——每个手指的“指纹”。经过训练，系统可以分析和识别新的手写数字，大大降低了能耗。

“简单地说，像素值被转换成不同强度的原色——例如，更多的红色或更少的蓝色，”Mario Chemnitz详细介绍道。“在纤维中，这些原色混合在一起，形成了彩虹的全光谱。例如，我们的混合紫色的阴影揭示了我们系统处理的很多数据。”

该团队还成功地将这种方法应用于一项利用语音样本诊断COVID-19感染的试点研究中，其检出率超过了迄今为止最好的数字系统。

Mario Chemnitz说:“我们是第一个证明光纤中光波的这种充满活力的相互作用可以直接分类复杂的信息，而不需要任何额外的智能软件。”