人工智能系統的發展越來越受限于其硬件水平，而新問世的超導光子電路模仿了腦細胞之間的聯系，其運行速度可達人類腦細胞的 3 萬倍，可工作所需的能量卻隻有人類腦細胞的千分之三。
在人工神經網絡中，神經元組件會接收傳輸的數據并協同解決諸如人臉識别一類的問題。在該過程中神經網絡會反複調整神經元之間的突觸連接，優化解決方案。随着時間推移，網絡會模仿人腦的學習過程，找出最适合計算結果的模式，然後将其作為默認值。而在人工智能系統遇到的硬件挑戰方面，受到大腦工作方式的啟發，研究人員開發了一套 " 神經形态 " 計算機硬件，其結果發表在 Nature Electronics 上。
論文截圖
舉例來說，神經形态微芯片組件隻有在給定時間内接收到一定數量的輸入信号後，才會産生輸出信号，這種策略更接近于真實的生物神經元的行為。由于這些設備很少發射脈沖信号，因此傳輸的數據要比典型的人工神經網絡少得多，原則上也需要更少的電力和通信帶寬。
上圖中的 NIST 超導電路就像一個人造突觸，是大腦中神經細胞或神經元之間的連接 | S. KHAN AND B. PRIMAVERA/NIST
然而，神經形态硬件通常使用傳統的電子器件，因此其複雜性和運行速度受到限制。比如，每個生物神經元都可以擁有數萬個突觸，但神經形态裝置很難将它們的人工神經元與其他神經元連接起來。一種解決方案是多路複用，即其中一個數據通道可以同時攜帶多個信号。不過這種策略也存在問題，随着芯片變得越來越大、越來越複雜，計算速度可能會因此變慢。
在這項新的研究中，研究人員使用光發射器和接收器來連接神經元。光鍊路或是光波導，原則上能夠以光速将每個神經元與數千個其他神經元連接起來。科學家們使用了能夠檢測單個光子的超導納米線裝置，将光信号極盡所能地減到最低，達到了能源效率的物理極限。
執行光子神經計算非常棘手，因為需要能夠進行長時間光捕獲的收集裝置。在集成芯片上制造這樣的光學腔（optical cavities），并将它們與許多波導連接起來很有難度。于是研究人員開發了混合電路，其中每個探測器的輸出信号被轉換為大約 2 皮秒長的超快電脈沖。這些脈沖每一個都由一個單一的磁漲落（fluxon）組成，這些磁流子位于超導量子幹涉裝置（SQUIDs）網絡中。
該效果圖展示了如何使用模拟突觸 ( 大腦中神經元之間的界面點 ) 超導電路創造未來的人造光電神經元 | J. CHILES AND J. SHAINLINE/NIST
NIST 的研究員 Jeffrey Shainline 說：" 我們多年來一直在做理論工作，試圖找出能夠實現神經形态計算物理極限的技術原理。順藤摸瓜，我們最終将單光子級别的光通信與約瑟夫森結（Josephson junctions）執行的神經計算結合了起來。"
約瑟夫森結是由一層薄薄的絕緣膜隔開的超導材料，具有類似三明治的結構，SQUIDs 由一個或多個約瑟夫森結組成，如果通過約瑟夫森結的電流超過某一阈值，SQUID 就開始産生磁流子。
一旦感知到光子，單光子探測器就會産生磁流子，磁流子在 SQUID 的超導回路中以電流的形式被收集儲存，可以作為一種記憶形式，記錄一個神經元産生脈沖的次數。Shainline 表示：" 我們非常驚喜。雖然在設計、制造和實驗上花費了大量時間，但在第一次制造時電路就成功了，這對它未來的可擴展性來說是個好兆頭。"
科學家們将單光子探測器與約瑟夫森結連接在一起，創造了一個超導突觸。他們計算該突觸能夠産生超過 1000 萬赫茲的峰值頻率，而每個突觸運行消耗大約 33 阿焦耳（attojoule）的能量（1 阿焦耳 =10-18 焦耳）。相比之下，人類神經元的最大平均峰值速率約為 340 赫茲，每次突觸事件消耗約 10 飛焦耳（femotojoules，1 飛焦耳 =10-15 焦耳）。
此外，科學家們可以将設備的輸出調整為幾百納秒到幾毫秒不等，這意味着硬件可以與一系列系統交互，從高速電子設備到與人類之間悠哉悠哉的交流都可以。未來，研究人員将把這些新突觸與芯片上的光源結合起來，創造出完全集成的超導神經元。
Shainline 認為，這項工作中仍有許多巨大挑戰，但如果能堅持到最後，很可能會是一個具有巨大的力量的人工智能計算平台。
參考文獻
[ 1 ] https://spectrum.ieee.org/neuromorphic-computing-superconducting-synapse
[ 2 ] https://www.nature.com/articles/s41928-022-00840-9
編譯：綠洲
