研究人员开发新的人工智能系统利用光进行联想学习

牛津大学材料系的研究人员与Exeter和Munster的同事合作，开发了一种片上光学处理器，其检测数据集相似性的速度比在电子处理器上运行的传统机器学习算法快1000倍。

发表在Optica上的这项新研究的灵感来自诺贝尔奖获得者伊万·巴甫洛夫(IvanPavlov)对经典条件反射的发现。在他的实验中，巴甫洛夫发现，通过在喂食过程中提供另一种刺激，例如铃铛或节拍器的声音，他的狗开始将这两种体验联系起来，并且只听到声音就会流口水。两个不相关的事件配对在一起的重复关联可以产生一种习得的反应——一种条件反射。

共同第一作者JamesTanYouSian博士在牛津大学材料系攻读博士学位，他说：“巴甫洛夫联想学习被认为是塑造人类行为的基本学习形式。和动物——但在人工智能系统中的采用在很大程度上是闻所未闻的。我们对巴甫洛夫学习与光学并行处理的研究证明了各种人工智能任务的令人兴奋的潜力。

大多数人工智能系统中使用的神经网络在学习过程中通常需要大量数据示例——训练模型以可靠地识别猫可能使用多达10,000张猫/非猫图像——计算和处理成本很高。

AMLE输入与正确的输出配对以监督学习过程，并且可以使用光信号重置记忆材料。在测试中，仅用五对图像训练后，AMLE就可以正确识别猫/非猫图像。

与传统电子芯片相比，新型光学芯片具有相当可观的性能，这归因于设计上的两个关键差异：

一种独特的网络架构，将联想学习作为构建块，而不是使用神经元和神经网络

使用“波分复用”在单个通道上发送不同波长的多个光信号以提高计算速度

芯片硬件使用光来发送和检索数据，以最大限度地提高信息密度——同时发送不同波长的多个信号进行并行处理，从而提高识别任务的检测速度。每个波长都会提高计算速度。

明斯特大学的合著者WolframPernice教授解释说：“该设备自然地捕捉数据集中的相似性，同时使用光并行这样做以提高整体计算速度——这可能远远超过传统电子芯片的能力。”

现在复旦大学的共同第一作者郑增光教授澄清说，联想学习方法可以补充而不是取代神经网络。

“对于不需要对数据集中高度复杂的特征进行大量分析的问题，它更有效，”程教授说。“许多学习任务都是基于数量的，没有那种复杂程度——在这些情况下，联想学习可以更快地完成任务，并且计算成本更低。”

“越来越明显的是，人工智能将成为我们将在人类历史的下一阶段见证的许多创新的中心。这项工作为实现快速光学处理器铺平了道路，该处理器捕获特定类型人工智能计算的数据关联，尽管有未来仍有许多令人兴奋的挑战，”领导这项研究的HarishBhaskaran教授说。