研究人员创造了一种基于激光的人工神经元，成功模拟了生物分级神经元的功能、动态及信息处理。这一发展可能为复杂计算的进步铺平道路。这种芯片基础的激光神经元以每秒速度比自然神经元快10亿倍，有潜力增强人工智能的功能，例如模式识别和序列预测。
研究人员成功实现了一种基于激光的人工神经元，该神经元准确反映了生物分级神经元的功能和处理能力。该新设备的信号处理速度为10 GBaud，速度比自然神经元快10亿倍，这可能会对人工智能和先进计算领域带来重大进展。
人类身体具有多种神经细胞，包括分级神经元，通过膜电位的连续变化来处理信息，从而实现精准信号传递。相比之下，生物脉冲神经元通过全或无的动作电位进行通信，导致通信方式更为二进制。
香港中文大学研究团队负责人黄朝然解释道：“我们的激光分级神经元显著超越了当前光子脉冲神经元的速度限制，甚至可能运行得更快。利用其类似神经元的非线性动态及快速处理能力，我们建立了一个展示在模式识别和序列预测等人工智能任务中卓越表现的储备计算系统。”
在《Optica》一刊中，来自Optica Publishing Group的研究团队透露，他们的量子点激光分级神经元可以管理10 GBaud的信号处理速度，使其能够在仅仅一秒钟内分析来自1亿次心跳或3470万张手写图像的数据。
黄提到：“我们的创新可以增强人工智能在时间敏感的应用中的决策能力，同时保持高精度。我们希望将这项技术整合到边缘计算设备中，这些设备靠近数据源处理数据，从而推进更快、更智能的人工智能系统，这些系统在未来可能以更低的能耗服务于现实世界应用。”
更快的激光神经元
由于其令人惊叹的数据处理速度和最低的能量消耗，正在研究响应输入信号与生物神经元类似的基于激光的人工神经元，以显著提高计算效率。尽管如此，现有大多数模型都是光子脉冲神经元，面临反应速度较慢、潜在信息丢失及需额外激光源和调制器等限制。
光子脉冲神经元的响应限制源于其操作方式，这涉及将输入脉冲注入激光的增益部分，从而产生延迟，妨碍速度。相反，对于激光分级神经元，研究人员将射频信号注入量子点激光的吸收部分，规避了这一延迟。此外，他们为吸收区域设计了高速射频垫，实现了更快、更简单、更节能的系统。
黄表示：“具备强大的记忆效应和卓越的处理能力，单个激光分级神经元可以像紧凑的神经网络一样运作。因此，即使只是一个激光分级神经元，也能有效地执行机器学习任务，无需复杂的连接。”
高速储备计算
为了展示其激光分级神经元的潜力，研究人员将其应用于储备计算系统。这种计算技术利用一种独特类型的网络，称为储备，用于分析时间敏感的数据，例如用于语音识别和天气预测的相应数据。激光分级神经元的快速处理速度和类似神经元的非线性动态使其特别适合于高速储备计算。
经过测试的储备计算系统在模式识别和序列预测方面展示了令人印象深刻的能力，特别是在长期预测方面，在各种人工智能应用中表现良好。它每秒有效处理1亿次心跳，并以98.4%的准确率识别心律失常模式。
黄表示：“在这项研究中，我们使用了一个激光分级神经元，但我们相信，将多个激光分级神经元按顺序连接起来可能会释放更大的潜力，就像大脑通过数十亿互联的神经元工作一样。我们专注于提升激光分级神经元的处理速度，同时推进一个深度储备计算架构，整合互联的激光分级神经元。”
