编辑 | 萝卜皮

在 2020 年，光子学中的人工智能部署催生了许多研究活动，但乐观的情绪必须与现实主义相平衡。2021 年 2 月，第 15 卷，第 2 期的《Nature Photonics》杂志通过一个焦点问题来庆祝该领域的进步。

机器学习的崛起

论文链接：https://www.nature.com/articles/s41566-020-00748-w

源自线性回归等过程的数据分析技术的改进，已经促进了众多高效的机器学习算法的出现。这些系统的结果，可以改进并提供学习的外观。「学习」和「输出」是由人工编写的代码和数据输入预先确定的。尽管如此，这样的系统擅长有效地解决某些类型的问题，例如图像模式识别。

如果机器学习算法在「层」方面足够复杂和「深入」，那么机器学习就可以成为所谓的深度学习、神经网络以及深度神经网络。所有这些术语都松散地属于机器学习和人工智能算法的范畴；无论名称如何，机器学习在应用中似乎几乎是无限的。

光子学中的机器学习

机器学习似乎与光子学有特别的协同作用，尤其是在功率效率和并行性方面。正如 David Pile 与 Aydogan Ozcan 在问答中所讨论的，现在有两个主要推动力将机器学习应用于光子学。

论文链接：https://www.nature.com/articles/s41566-020-00747-x

两个主要方向之一，是使用在传统计算机上实现的人工智能算法，来设计具有改进的、有特定任务性能的光学结构和设备。尽管该方法确实与逆向设计算法方法（非机器学习）进行了比较，但结果无疑令人印象深刻，人工智能的结果往往会超越人工控制设计所能达到的效果。这时确实会有种类似「黑匣子」的感觉，其中可能缺乏直觉和理解，但随着研究人员的努力解释与发现，这种情况可能会有所改善。

光子结构设计的深度学习

有关用于光子结构设计的深度学习的一般概述和介绍，请参阅来自美国波士顿东北大学的 Wei Ma、Zhaocheng Liu等人的评论「Deep learning for the design of photonic structures」。他们给出了历史背景，概述了算法基础，然后展示了如何使用模型来设计特定任务的光子设备。

论文链接：https://www.nature.com/articles/s41566-020-0685-y

另一个可能更雄心勃勃的方向是，尝试使用光学系统来实现人工智能计算。然而，这一目标同包括光逻辑器件和非机器学习光计算在内的领域一样，受到了类似的误解和虚假声明的困扰。

例如，逻辑门、计算和神经网络都是被动（线性）系统，无法实现的主动（非线性）现象。线性系统的输出，例如通过狭缝、光栅或其他无源结构的传统光学干涉，无论多么复杂，都可能看起来提供逻辑（暗淡的「零」或明亮的「一」），但系统不会主动改变结果。研究人员通常会表明，您可以通过改变输入或修改设置/结构，来「主动」改变结果，实现逻辑或计算；但在这种情况下，「主动」组件是实验者（例如调整激光，或改变结构），而不是设备本身。

类似的论点也适用于人工智能。例如，在神经网络的情况下，需要一个激活函数，其目的是提供所需的非线性。晶体管（有源/非线性器件）形成核心或电子处理单元，而不是电阻器、电容器和电感器（通常是无源线性元件）是有充分理由的。尽管如此，正在取得的真正进展确实令人震惊。

用于人工智能和神经形态计算的光子

来自美国新泽西州普林斯顿大学的 Bhavin Shastri、Alexander Taitc 等人在一篇题为「Photonics for artificial intelligence and neuromorphic computing」的评论中，讨论了在光子系统中模拟神经系统的神经生物学架构，以及进行神经形态计算的研究。光子神经形态计算方面，将来似乎会有巨大的机会，例如亚纳秒延迟，但正如评论中所述，需要克服一些真正的挑战。

论文链接：https://www.nature.com/articles/s41566-020-00754-y

超高速光子中的机器学习和应用

说到快速现象，机器学习可能特别有影响力的一个领域是其在超快光子学中的应用。在另一篇题为「Machine learning and applications in ultrafast photonics」的评论中，来自芬兰坦佩雷大学的 Goëry Genty、Lauri Salmela 等人讨论了已经取得的成果，包括脉冲激光器的设计和操作，以及超快传播动力学的表征和控制， 并概述未来的挑战。

论文链接：https://www.nature.com/articles/s41566-020-00716-4

基于光子的机器学习用于权衡自动驾驶

正如来自北美丰田研究所的 Sean Rodrigues、Ziqi Yu 等人在他们题为「Weighing in on photonic-based machine learning for automotive mobility」的通信中解释的那样，机器学习的潜力远远超出了光子学研究人员的传统素材。在自动驾驶汽车等应用中，需要有限的数值精度、高推理速度和并行性，光学神经网络处理可能会找到获得商业成功所需的利基市场。

论文链接：https://www.nature.com/articles/s41566-020-00736-0

期刊链接：https://www.nature.com/nphoton/volumes/15/issues/2