德国马克斯·普朗克光迷信钻研所与美国麻省理工学院钻研职员相助，基于建可计模经由向光子机械学习削减声波维度，声波乐成地为可重构神经形态模块奠基了根基。重构这次成果对于天生式家养智能（AI）功能批注高下文语义信息至关紧张。光合钻研成果17日宣告在美国迷信增长会网站上。基于建可计模

ChatGPT等语言模子能建树出表白人造的声波文本，并以结构化方式总结段落。重构但弱点是光合，实现这一点需要重大的基于建可计模能源反对于。这也象征着，声波随着它们飞速发展，重构这些智能配置装备部署必须要有新的光合解决妄想来减速信号解决并着落能耗。

神经网络被觉患上有后劲成为AI的基于建可计模支柱。将它们构建为基于光而不是声波电信号的光学神经网络，就能高速且功能地解决少许数据。重构可是，迄今为止，良多实现光学神经网络的试验方式都依附于牢靠组件以及晃动配置装备部署。

钻研团队这次找到一种基于声波构建可重构模块的方式，用于光子机械学习。该钻研的紧张是光驱动产生的后退声波，其可操作光学神经网络的后续合计步骤。比起光信息流，声波的传输光阴要长良多，因此，它们在光纤中保存的光阴更长，而且可挨次链接到每一个后续解决步骤。

该团队用试验演示了第一个构建模块——循环算子，这是循环神经网络畛域宽泛运用的技术。它应承链接一系列合计步骤，并可为推广的每一个合计步骤提供高下文。

光声循环算子运用光波导的固有特色，无需家养储层或者新制作结构，现已经被用来分说多达27种差另形态式，展现了其在节能的同时，功能解决高下文的能耐。