Modeli dubokih neuronskih mreža postali su toliko veliki i složeni da izazivaju kapacitete tradicionalnih elektronskih računarskih uređaja. Fotonski hardver, koji koristi svjetlost za obradu proračuna, nudi bržu i energetski efikasniju alternativu, ali se suočava s određenim proračunima neuronskih mreža zbog ograničenja koja usporavaju performanse. Istraživači sa MIT-a i drugih institucija razvili su novi fotonski čip koji rješava ove probleme. Ovaj potpuno integrirani fotonski procesor može izvšiti sve bitne proračune dubokih neuronskih mreža optički na čipu. Čip je završio proračune za zadatak klasifikacije mašinskog učenja za manje od pola nanosekunde s 92% tačnosti, što je usporedivo s tradicionalnim hardverom. Izgrađen korištenjem komercijalnih procesnih ljevaonica, čip ima međusobno povezane module koji formiraju optičku neuronsku mrežu, nagovještavajući skalabilne i integrirajuće buduće elektronske primjene. Ovaj napredak mogao bi poboljšati brzinu i energetsku efikasnost dubokog učenja, koristeći se u oblastima kao što su lidar, astronomija, fizika čestica i telekomunikacije. Sistem omogućava potpune operacije neuronskih mreža u optici na nanosekundnoj skali, čineći ga znatno bržim. Glavni istraživač Saumil Bandyopadhyay naglasio je važnost brzine i efikasnosti u performansama modela i potencijal za inovativne primjene i algoritme. Istraživački tim uključuje MIT-ove alumni i profesore poput Alexandera Sluddsa, Nicholasa Harrisa, Dariusa Bunandara i Dirka Englunda, s radom objavljenim u časopisu Nature Photonics. Optičke neuronske mreže uključuju slojeve međusobno povezanih čvorova koji izvode linearne algebarske operacije, poput matričnih množenja, ključnih za transformaciju podataka. Nelinearne operacije poput aktivacijskih funkcija omogućavaju mrežama da uče složene obrasce.

Godine 2017. razvijen je jedan fotonski čip za matrična množenja, ali nelinearne operacije zahtijevale su pretvaranje optičkih podataka u električne signale, trošeći značajnu energiju. Kako bi prevladali ovo, istraživači su dizajnirali jedinice za nelinearne optičke funkcije (NOFUs) koje integrišu elektroniku i optiku za nelinearne operacije na čipu. Njihova optička neuronska mreža sastoji se od tri sloja uređaja za linearne i nelinearne funkcije. Novi sistem kodira parametre neuronske mreže u svjetlost, s programabilnim zrnodjeljiteljima koji upravljaju matričnim množenjem. Nelinearne operacije izvode NOFUs, koji koriste fotodiode za efikasno pretvaranje optičkih signala u električnu struju. Ovo procesuiranje u optičkoj domeni dramatično smanjuje latenciju i potrošnju energije. Postizanjem niske latencije, sistem efikasno trenira duboke neuronske mreže na čipu, poznato kao in situ trening, što obično zahtijeva mnogo energije u digitalnom hardveru. Fotonski procesor postigao je preko 96% tačnosti u treniranju i preko 92% u predikciji, izvodeći proračune za manje od pola nanosekunde. Kolo je proizvedeno istim procesima koji kreiraju CMOS čipove, omogućavajući potencijalnu masovnu proizvodnju s minimalnom greškom. Budući rad će se fokusirati na integraciju uređaja s elektronskim uređajima u stvarnom svijetu i razvoj algoritama koji koriste prednosti optike za brže i energetski efikasnije treniranje. Ovo istraživanje dobilo je podršku američke Nacionalne fondacije za nauku, američke Zračne kancelarije za naučna istraživanja i NTT istraživanja.