实现 DNN 的 AI 芯片最需要满足的是降低功耗和提高吞吐量这两个需求，这些需求催生了新颖方法的出现，包括新兴的光子神经网络。由于光子器件的高通信带宽，光子实现方式有望实现高速传输；由于波导中光传输的低损耗，光子实现方式有望实现极低功耗。光子行进的速度比电子快得多，并且光子的移动成本与距离无关。因此，光子计算与电子计算相比有着明显的优势。很多年来，不少研究人员为研制光子计算芯片花费了大量精力。
近年来，随着研发 AI 芯片的热潮兴起，人们很自然地想到了是否可以用光来实现 AI 计算，开发速度更快、更节能的光子 AI 芯片。与任何高级计算体系结构一样，更快的处理速度可以使 AI 计算受益。深度学习特别需要对大型数据集进行快速数据分析，提高性能和降低功耗一直是深度学习 AI 芯片的重要目标。
随着半导体工艺的进步，许多原来不能集成在一起的光模块都能够集成到一块指甲大小的芯片里；一些原来难以加工的工艺，如基于硅实现的集成光子芯片所需的工艺技术（硅光工艺）已经相当成熟；AI 所涵盖的许多功能，只要能够转换成有效的算法和架构，都能用硅光芯片来验证实现，很多非常新颖的硅光 AI 芯片从而诞生。
硅光芯片具有在光域实现深度学习所需的矩阵计算的潜力，也具有在光域实现如储备池计算这样新颖算法的能力。这些都大大提高了运算速度，并节省了功耗、优化了空间使用。
目前，这些芯片大部分都只是原型样片，由学术界领头开发，要经过一段时间的验证和试验之后才能实现真正的商用。其中比较有代表性的有两种：一种是用硅光芯片实现光子深度学习，另一种是基于储备池计算的 AI 芯片。下面分别加以介绍。
（本章节完结）
正在加载...