作者：Justine Murphy

图1：图中为研究团队设计的光学极限学习机示意图，其利用非线性光纤的光传播特性实现计算功能。（图片来源：Mathilde Hary，Tampere University）

芬兰坦佩雷大学（Tampere University）与法国玛丽-路易·巴斯德大学（Marie and Louis Pasteur University）的研究人员已经证实：在高非线性细玻璃光纤中传输的激光，其工作原理本质上可模拟人工智能（AI）处理信息的过程。

“我们的方法为光学计算引入了全新思路，”坦佩雷大学博士研究员Mathilde Hary表示，“研究的核心目标是突破传统电子计算的性能局限。”

他们的方案采用了极限学习机（ELM）——这是一种以学习速度快、效率高著称的机器学习系统。研究团队通过高非线性光纤，让该系统实现了超高速、实时计算。

该ELM系统的构建基于若干基本原则，其中包含避免使用反向传播等复杂训练方法。该系统通过光纤非线性传播作为计算介质，将储备池计算与光学神经网络的概念相结合。研究团队基于主成分分析维数评估和一致性指标，构建了一套量化分析框架，旨在突破此前光学极限学习机仅停留于概念验证的研究阶段。

三步计算流程

研究团队所使用的方法，其完整执行流程可分为三个步骤：

首先，利用空间光调制器对飞秒激光脉冲的光谱相位进行调制，完成信息编码。光纤被用于将光限制在更小的区域内。研究团队发现，当编码的相对延迟与图像信息一致时，光与玻璃发生非线性相互作用后产生的转换光谱，包含了足够多的信息，可用于对手写数字样本进行分类。研究人员将其比作传统的MNIST（美国国家标准与技术研究院）数据库——这是一个常用于训练图像处理系统的大型手写数字集合。

接着，这些经过调制的脉冲在非线性光纤中传播，在此过程中非线性和色散效应会导致光谱展宽。Hary 指出，“这一步骤相当于对信息进行非线性转换。”

最后，使用光谱分析仪采集输出光谱，并在离线状态下计算线性读取操作。

Hary 表示：“市场对模拟光学处理器的需求日益增长，这类设备能够以最低延迟和最低功耗，执行实时信号分类和计量任务。”

重要研究发现

研究人员在工作中发现，系统性能与非线性的关系并非单调递增。“更高的输入功率，并不总是意味着更好的性能，” Hary 指出，“该系统是在中等功率水平下，达到了高达87%的最佳分类准确率。”

她表示，当MNIST图像被大幅压缩至20-40个组分（而非初始的784个）时，系统能获得最佳结果。这表明他们的ELM系统具备强大的特征扩展能力。

研究人员还发现，对计算有用的动力学过程，被限制在泵浦波长周围40nm的范围内，但非线性展宽效可使光的传播范围覆盖数百纳米。

“在我看来，最有价值的发现是：我们为评估光学神经网络的性能引入了一种新方法。”Hary总结道。

图2：坦佩雷大学团队计划开发全光学读取系统，以打造具备太赫兹信号处理能力的自主计算机。（图片来源：Mathilde Hary, Tampere University）

下一步研究计划

短期内，团队计划将系统现有的数字读取模块替换为全光学读取模块，最终目标是构建一台具备太赫兹信号处理能力的自主计算机。

展望更远的未来，Hary表示：“我们希望实现实时超高速计量技术，以探索该系统在其他计算任务中的应用潜力。”

研究团队强调的核心观点是：“光不仅能传输信息，更能处理信息，”Hary总结道，“这一发现为人工智能、物理学及超高速数据处理领域开辟了新前沿。”