神经形态计算和量子计算将有望从根本上改变计算与人工智能。日前，匹兹堡大学、牛津大学、海德堡大学和马里兰大学的工程师们总结了光子集成电路这一新兴领域的最新进展。并探索光学量子忆阻器如何成为开发神经形态计算的关键，以及要使其发挥全部潜力仍需完成的挑战。相关成果发表在了Nature Photonics杂志上。

用于非易失传输调制的光学忆阻平台

近年来，随着越来越多的实际应用出现，人工智能、机器学习和ChatGPT在很大程度上改变了人类的生活方式。目前实用的人工智能工具主要基于人工神经网络的深度学习算法和最先进的硬件系统。但是，经典计算机体系结构已经无法满足目前深度神经网络的算力需求，其主要矛盾体现在冯诺依曼瓶颈，即由于指令与数据放在同一内存造成CPU利用率的限制。开发一台仿人脑和神经系统的计算机是一项长期的挑战。神经形态计算将是下一代人工智能，他在物理层面模拟人脑的神经结构和操作，能够以快速节能的方式执行学习、识别和认知等高级计算任务。

忆阻器是一种非易失性电子存储器，它的电阻会随着通过的电流量而改变，即使电流停止，阻值也仍然会保持稳定。大脑神经元之间的链接强度取决于触发频率，这恰好与忆阻器的性质类似，因此可以用来模拟生物突触的行为。在众多用于实现神经形态计算的硬件元件中，忆阻器凭借模拟突触、高集成度和低功耗性等特点，已在一些列应用中展现出潜力。基于忆阻突触器件的硬件神经网络是神经形态计算的重要发展方向，是后摩尔时代突破传统冯 · 诺依曼计算架构的有力技术候选，可能是“人工智能和量子计算之间缺失的一环”。

光学量子忆阻器也是其中一种，仅使用单个光子来传输和接收信号，具有高能效、低串扰和并行处理等优点。光学忆阻器能够将神经网络和量子计算结合起来，性能更好且所需资源更少，有利于进一步扩大神经网络的应用范围。

在匹兹堡大学Nathan Youngblood教授的带领下，研究人员深入探讨了光学忆阻器的潜力。它结合了超快、高带宽光通信与本地信息处理的优势，可以在光学领域的高带宽神经形态计算、机器学习硬件和人工智能方面发挥重要作用。然而，光器件很难实现高密度集成，因此制作光子集成电路是一个相当复杂的过程。Youngblood解释：“如果采用目前具有最高存储密度的光存储器相变材料，并尝试在芯片上实现一个相对简单的神经网络，这将需要一个笔记本电脑大小的存储单元。尺寸对于光子学很重要，我们需要找到一种方法来提高存储密度、能源效率和编程速度，在合适的规模上进行高效计算。”

光学忆阻器甚至可以用于人工突触和类脑架构。具有非易失性存储和非线性输出的动态忆阻器复制了大脑中突触的长期可塑性，并为累积放电（Integrate-and-Fire）计算架构作出铺垫。扩大和改进光学忆阻器技术的研究可以为高带宽神经形态计算、机器学习硬件和人工智能带来前所未有的可能性。

Nathan Youngblood在文章中评论：“我们研究了很多不同的技术，但我们离理想的紧凑、高效、快速的光学忆阻器的目标还很远。我们仍在继续寻找某种材料或设备，期待一种技术能够真正满足所有的理想标准，推动该领域向前发展”

本文由光电汇根据optics内容编译，如需转载请注明。

微信分享

x

用微信扫描二维码
分享至好友和朋友圈

网站内容来源于互联网、原创，由网络编辑负责审查，目的在于传递信息，提供专业服务，不代表本网站及新媒体平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的，请在 20个工作日内与我们取得联系，联系方式：021-80198330。网站及新媒体平台将加强监控与审核，一旦发现违反规定的内容，按国家法规处理，处理时间不超过24小时。