به نقل از پایگاه یونیورسیتی هرالد، امروزه یادگیری عمیق ماشینی تقریبا در هر صنعتی نقش مهمی ایفا می‌کند؛ سامانه‌های رایانه‌ای بر پایه شبکه‌های عصبی هوش مصنوعی که مانند مغز انسان عمل می‌کنند و می‌توانند محاسبات پیچیده را بسیار سریع‌تر از رایانه‌های معمولی انجام دهند.

یادگیری ژرف یا عمیق (Deep learning) به بیانی دیگر: (یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در داده‌ها را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیرخطی هستند، مدل می‌کنند. در حقیقت عبارت یادگیری عمیق، بررسی روش‌های تازه برای شبکه عصبی هوش مصنوعی است.

انجام محاسبات پیچیده با سرعت و قدرت بیشتر با تکیه کردن تنها بر الکتریسیته، ممکن نخواهد بود. به همین دلیل محققان "موسسه فناوری ماساچوست"((MIT استفاده از نور را به جای الکتریسیته راه‌حل مناسبی می‌دانند.

یک گروه تحقیقاتی از MIT یک نوع رایانه فوتونی ساخته است که برای انجام محاسبات عصبی پیچیده از نور به  عنوان منبع تغذیه استفاده می‌کند.

به گفته محققان این سامانه شبکه عصبی نور محور، بسیار سریع‌تر و موثرتر از رایانه‌های سنتی که با الکتریسیته کار می‌کنند عمل می‌کند.

محاسبات شبکه عصبی پیچیده و متمرکز هستند، زیرا نیازمند ضرب چندین و چند ماتریس هستند که این‌گونه محاسبات برای رایانه‌های سنتی که از بردهای CPU و GPU استفاده می‌کنند، بسیار سنگین است.

اصول پایه کار چیپ‌های فوتونی مشابه هم است. در اصل، یک چیپ فوتونی می‌تواند در صورت توازن، محاسبات ماتریسی را بدون صرف انرژی انجام دهد.

محققان جهت امواج نور را به گونه‌ای هدایت می‌کنند که با هم فعل و انفعال داشته باشند. این فعل و انفعالات الگوهای تداخلی تولید می‌کند که عملیات مورد نظر را به نتیجه می‌رساند.

به گفته گروه تحقیقاتی، چیپ‌های فوتونی در مقایسه با چیپ‌های الکترونیکی در عین اینکه از سرعت عمل بسیار بالاتری برخوردارند، کمتر از یک هزارم آنها انرژی صرف هر عملیات می‌کنند.

این پردازنده نانو فوتونی کاربردهای عملی فراوانی نظیر پردازش سریع‌تر سیگنال در انتقال داده، استفاده در سامانه‌های امنیتی، مراکز داده و حتی خودروهای خودران و پهپادها دارد.

البته این پردازنده نیاز به توسعه و تکامل بیشتری برای حصول بهترین عملکرد دارد.

این پژوهش در مجله "Nature Photonics" منتشر شده است.