为了发展类光子大脑计算技术，斯特拉斯克莱德大学的一个研究小组将基于尖峰的神经网络与显示尖峰神经元行为的半导体激光器集成在一起。
他们展示了高性能光子尖峰神经网络操作以及较低的训练需求，并发起了一种新颖的训练方案以改善结果。
这项研究于 2023 年8月 29 日发表在科学合作期刊《智能计算》杂志上。
从生物神经元网络中获得灵感的神经网络通过为复杂任务提供有效的解决方案彻底改变了人工智能。为了进一步释放其潜力，科学家们一直在将其他技术的想法融入人工神经网络中，并取得了一些成功。
利用光的优势的一个成功例子是基于光或光子神经网络系统的运行速度更快，能源效率更高。这使得它们特别有助于处理大量数据，并为未来的人工智能应用带来希望。
作者提出的尖峰神经网络依赖于一种硬件友好的光子系统，该系统仅包含一个垂直腔表面发射激光器，这是一种在手机中常见的设备。
该提案标志着同一组作者之前进行的研究的加强。在他们早期的工作中，他们将储层计算（一种用于构建能够解决复杂任务的光子神经网络的有效技术）与使用同类激光开发的神经形态尖峰神经元集成在一起。
在当前的研究中，作者完成了一项高度困难的分类任务，并采用了替代的训练方案来提高训练的速度和效率，同时降低训练需求。
研究人员处理的分类任务是一项高度复杂的任务，是一个多变量和非线性问题，每个数据点包含大约 500 个特征，并且依赖于人工数据集 MADELON。
为了创建尖峰神经网络，作者利用了一种实验装置，将激光器的非线性尖峰动力学与受储层计算启发的架构相结合。
在该架构中，输入数据被时分复用，即被分成不同的时隙。每个槽代表神经网络中的一个虚拟神经元。
输入数据已被注入激光器并由激光器处理，并且根据输入数据是否超过某个阈值，输出被视为二进制节点输出，尖峰或非尖峰。
作者通过传统的最小二乘回归训练技术和他们新提出的“显着性”训练方法成功地说明了光子尖峰神经网络的计算能力。
后一种方法根据节点的整体效用和重要性为节点分配二进制权重。两种技术均实现了超过 94% 的出色分类准确率，在显着缩短的处理时间上超越了既定基准。
具体来说，新方法的准确率达到94.4%和95.7%，超过了传统方法获得的结果。值得注意的是，即使在包含少于 10 个数据点的小型数据集上进行训练，使用新方法训练的尖峰神经网络也表现出了卓越的性能。
所提出的光子尖峰神经网络超越了传统的数字半导体处理系统，具有低功耗、超快性能和硬件友好的实现方式，仅使用一台激光器即可处理所有虚拟节点。
作者相信，这项研究可以为完全在光学硬件上运行的基于光子学的处理系统创造新的机会，使它们能够以高精度、高速和节能的方式处理高度复杂的任务。
