Моделите на длабоки невронски мрежи станале толку големи и комплексни што ги надминуваат можностите на традиционалниот електронски компјутерски хардвер. Фотонскиот хардвер, кој обработува пресметки користејќи светлина, нуди побрза и поефикасна енергетска алтернатива, но има проблеми со одредени пресметувања на невронските мрежи поради ограничувања кои ја успоруваат изведбата. Истражувачи од МИТ и други установи развија нов фотонски чип што ги решава овие проблеми. Овој целосно интегриран фотонски процесор може оптички да ги изведува сите основни пресметки на длабоки невронски мрежи на чипот. Чипот ги заврши пресметувањата за задача за класификација на машинско учење за помалку од половина наносекунда со точност од 92%, што е споредливо со традиционалниот хардвер. Изработен со комерцијални процеси за производство, чипот содржи меѓусебно поврзани модули кои формираат оптичка невронска мрежа, што укажува на скалабилни и интегрирани идни електронски апликации. Овој напредок може да ја зголеми брзината и енергетската ефикасност на длабокото учење, што ќе биде корисно во полиња како лидар, астрономија, физика на честички и телекомуникации. Системот овозможува целосни операции на невронската мрежа во оптика на скала од наносекунда, правејќи го значително побрз. Водечкиот истражувач Саумил Бандиопадјај ги истакна важноста на брзината и ефикасноста во перформансите на модели и потенцијалот за иновативни апликации и алгоритми. Истражувачкиот тим вклучува алумни и професори од МИТ како Александар Сладс, Николас Харис, Дариус Бурандар и Дирк Енглунд, а студијата е објавена во Nature Photonics. Оптичките невронски мрежи вклучуваат слоеви на меѓусебно поврзани јазли кои изведуваат линеарна алгебра, како множење на матрици, кои се неопходни за трансформација на податоци. Нелинеарни операции како активациски функции овозможуваат мрежите да учат комплексни шаблони.

Во 2017 година, беше развиен единствен фотонски чип за множење на матрици, но за нелинеарни операции беше потребно претворање на оптичките податоци во електрични сигнали, што троши значителна енергија. За да го надминат ова, истражувачите дизајнирале нелинеарни оптички функционални единици (NOFU) што интегрираат електроника и оптика за нелинеарни операции на чипот. Нивната оптичка невронска мрежа се состои од три слоја на уреди за линеарни и нелинеарни функции. Новото решение ги енкодира параметрите на невронската мрежа во светлина, со програмски зрцала кои вршат множење на матрици. Нелинеарните операции ги изведуваат NOFU, кои користат фотодиоди за ефикасно претворање на оптички сигнали во електрична струја. Ова оптичко процесирање значајно го намалува латентноста и потрошувачката на енергија. Со постигнување на ниска латентност, системот ги тренира длабоките невронски мрежи на чипот ефикасно, познато како in situ тренинг, што обично бара многу енергија во дигиталниот хардвер. Фотонскиот процесор постигна над 96% точност во тренингот и над 92% во инференција, изведувајќи пресметки за помалку од половина наносекунда. Кругот беше изработен со истите процеси кои создаваат CMOS чипови, овозможувајќи потенцијално масовно производство со минимални грешки. Идната работа ќе се фокусира на интеграцијата на уредот со реални електроники и развивање алгоритми кои капитализираат оптичките предности за побрзо, поефикасно енергетско тренирање. Ова истражување доби поддршка од Националната наука фондација на САД, Канцеларијата за научни истражувања на Военото воздухопловство на САД и NTT Research.