由光传播创建的神经网络非常高效。

为了完成困难的任务，当前的人工智能模型使用数十亿个可训练的参数。 如此大量的参数并非没有代价。 这些大规模模型的训练和部署需要巨大的内存空间和计算能力，而这些空间和计算能力只能来自机库大小的数据中心，其过程消耗的电力相当于中型城市所需的电力。

目前正在进行研究重新思考计算硬件和机器学习算法，以保持当前的发展速度。 神经网络架构的光学实现提供了一个有前途的选择，因为它功耗低并且允许实现单元之间的连接。

《Advanced Photonics》发表的一项新研究将多模光纤内的光传播与一些数字可编程参数相结合，以实现与具有超过 100 倍以上可编程参数的全数字系统相同的图像分类任务性能。 该计算框架降低了能耗和内存需求，同时保持各种机器学习任务的相同精度。

来源和详细信息：
https://techxplore.com/news/2024-01-propagation-highly-efficient-neural-networks.html