英国牛津大学、埃克塞特大学和明斯特大学的研究人员开发了一种片上光学处理器，能检测数据集中的相似性，速度比在电子处理器上运行的传统机器学习算法快1000倍。相关研究成果7月20日发表于《光学》杂志。

新型光学芯片采用了一种独特的网络架构，将联想学习而非神经元和神经网络作为构建块；同时，使用“波分复用”在单个通道上发送不同波长的多个光信号，以提高计算速度。该芯片能自然地捕捉数据集中的相似性，同时使用光并行以提高整体计算速度，远远超过了传统电子芯片的能力。

大多数AI系统中使用的神经网络在学习过程中通常需要大量数据示例，造成计算和处理成本居高不下。该项研究从巴普洛夫的条件反射实验中获得了灵感，即两个不相关的事件配对在一起的重复关联可产生学习反应。关联单子学习元素（AMLE）不依靠神经网络青睐的反向传播来“微调”结果，而是使用一种记忆材料来学习模式，将数据集中的相似特征关联在一起，以模仿条件反射。在测试中，仅用5对图像训练后，AMLE就可正确识别猫/非猫图像。

信息来源：

https://opg.optica.org/optica/fulltext.cfm?uri=optica-9-7-792&id=478804

科技日报. 张梦然. http://digitalpaper.stdaily.com/http_www.kjrb.com/kjrb/html/2022-08/02/content_539424.htm?div=-1