近日，麻省理工学院的科学家们成功研发了一种全新的全集成光芯片，它采用光学方式来完成深度神经网络所需的核心计算任务，为打造能够进行实时学习的高速处理器开辟了新途径。

这款光芯片能够在极短的时间内，即不到半纳秒，完成机器学习分类任务中的关键计算，其性能可与传统硬件相媲美。

该芯片由一系列相互连接的模块构成，形成了一个光学神经网络，并且采用商业代工工艺制造，这将有助于技术的进一步扩展以及与电子产品的集成。

深度神经网络通常由多个相互连接的节点层组成，通过执行线性和非线性操作来处理复杂的数据。其中，非线性运算（例如激活函数）是深度神经网络能够解决复杂问题的关键所在。早在2017年，麻省理工学院的恩格伦德小组与马林·索尔贾契奇实验室就曾在光芯片上演示了能够执行矩阵乘法的光学神经网络，但当时的设计无法在芯片上直接进行非线性操作，因为触发光学非线性需要消耗大量的电力。

为了解决这一难题，研究团队开发了一种非线性光学功能单元（NOFU）。他们结合了电子学和光学技术，在芯片上实现了非线性操作，从而成功地在光芯片上构建了光学深度神经网络。在这个网络中，神经网络的参数被编码为光信号，通过可编程分光镜阵列进行矩阵乘法运算，然后再由NOFU实现非线性功能，整个过程无需外部放大器，能耗极低。

在训练测试中，该光芯片的准确率超过了96%，推理准确率也超过了92%，并且能够在不到半纳秒的时间内完成关键计算。整个电路采用了与制造CMOS芯片相同的基础设施和工艺，这有利于大规模生产并降低制造误差。这一研究成果为在光芯片上高效训练深度神经网络提供了可能。

未来，光芯片有望引领深度学习走向更快、更节能的道路，并广泛应用于激光雷达、天文学、粒子物理学等研究领域以及高速电信等计算密集型应用中。