在 2022 年 6 月 1 日发表于《自然》杂志上的一篇文章中，宾夕法尼亚大学研究人员介绍了其开发的一种功能强大的新型光学芯片。实验装置由一个神经网络组成，能够以光的形式来处理信息（每秒可处理近 20 亿数量级的图像），而不至于被内存等传统计算机芯片组件给拖后腿。
研究配图 - 1：传统光-电子深度神经网络（来自：UPENN）
深度神经网络是这套用于图像分类的片上光子芯片的重要基础，作为一套以大脑处理信息方式为模型的系统，这些网络由像神经元一样相互连接的节点组成。
研究配图 - 2：光-电子神经元的实施示例
然后通过投喂大量数据集展开训练，以让神经网络习得类似于生物大脑的思考方式 —— 比如用于分辨图像中的对象、或语音中的单词。
研究配图 - 3：光子分类器的结构示例
随着时间的推移，神经网络还会在相关工作任务上渐入佳境。不过宾夕法尼亚大学的这项研究，却并不以电信号的形式 —— 而是以光的形式 —— 来处理信息。
研究配图 - 4：图像分类演示
通过使用光纤作为其神经元、并堆叠于多个层中，每层均可专注于特定类型的分类工作。测试期间，研究团队使用了一枚大小仅 9.3m㎡ 的芯片。
扩展 图 1 - 图像形成与测量设置示意
在开展了相关数据集的训练后，该芯片便可对包含两种字符集的图像进行分类，且准确率高达 93.8% 。而对四种类型的图像分类工作，其准确率亦有 89.8% 。
扩展 图 2 - PDNN 芯片训练与阈值计算
最令人印象深刻的，莫过于该芯片能够在 0.57 ns 内对每个字符进行分类 —— 意味其每秒可处理 17.5 亿张图像。
扩展 图 3 - 传播时间测量
研究团队表示，相较于现代计算机芯片的这一速度优势，源于芯片将信息换成光来处理的能力。
扩展 图 4 - 与现有技术的比较
论文一作 Firooz Aflatouni 表示，该芯片通过所谓的“传播计算”（computation-by-propagation）来处理信息，且他们巧妙地跳过了光-电信号的转换步骤。
扩展 图 5 - 可扩展性与计算时间的增强方法
与基于时钟的系统不同，传播计算是在光通过芯片传播时发生的、而这款片上芯片能够直接读取和处理光信号，使得这项技术的处理速度能够远胜于过往。
扩展 图 6 - 微环对齐算法和表征
这项技术的另一项优点，是不需要存储正在处理的信息，因而无需将数据发送到内存 —— 并且根本不需要该组件 —— 以节省大量时间和保障数据安全（防止任何形式的潜在泄露）。
扩展 图 7 - 电子控制电路的框图
下一步，宾夕法尼亚大学研究团队计划扩大芯片规模，并对该技术加以适当的调整，以使之能够处理其它类型的数据。
有关这项研究的详情，已经发表在 2022 年 6 月 1 号出版的《自然》（Nature）期刊上，原标题为《An on-chip photonic deep neural network for image classification》。
,
