原标题：基于声波能构建可重构光计算模块对人工智能高效解释上下文语义至关重要

德国马克斯·普朗克光科学研究所与美国麻省理工学院研究人员合作，通过向光子机器学习添加声波维度，成功地为可重构神经形态模块奠定了基础。此次成果对生成式人工智能（AI）高效解释上下文语义信息至关重要。研究成果17日发表在美国科学促进会网站上。

ChatGPT等语言模型能创建出表达自然的文本，并以结构化方式总结段落。但缺点是，实现这一点需要巨大的能源支撑。这也意味着，随着它们飞速发展，这些智能设备必须要有新的解决方案来加速信号处理并降低能耗。

神经网络被认为有潜力成为AI的支柱。将它们构建为基于光而不是电信号的光学神经网络，就能高速且高效地处理大量数据。然而，迄今为止，许多实现光学神经网络的实验方法都依赖于固定组件和稳定设备。

研究团队此次找到一种基于声波构建可重构模块的方法，用于光子机器学习。该研究的关键是光驱动产生的行进声波，其可操纵光学神经网络的后续计算步骤。比起光信息流，声波的传输时间要长得多，因此，它们在光纤中保留的时间更长，并且可依次链接到每个后续处理步骤。

该团队用实验演示了第一个构建模块——循环算子，这是循环神经网络领域广泛使用的技术。它允许链接一系列计算步骤，并可为执行的每个计算步骤提供上下文。

光声循环算子利用光波导的固有特性，无需人工储层或新制造结构，现已被用来区分多达27种不同的模式，展示了其在节能的同时，高效处理上下文的能力。

【总编辑圈点】

本文中的循环算子最大的看点，就是具有完全光学控制优势。换句话说，它完全由光控制，不需要复杂的结构和传感器，就能使光声计算机在逐个脉冲的基础上进行编程。在这一成果基础上，未来，工程师们可在高效的光学神经网络中，使用声波去解锁光学神经形态计算，这种计算还允许在当前电信网络中进行大规模内存计算。（张梦然）