最近開發的矽照相芯片將編碼的折射數據轉變為即時束的結果。學分：H。 Yang（佛羅里達大學）
佛羅里達大學的團隊開發了一種新型的計算機芯片，該芯片使用電燈來執行圖像的人工智能 – 保險和類似任務以建立圖紙的最能量密集型部分之一。光的使用大大降低了執行這些任務所需的功率，其效率比當前執行相同計算的效率高10甚至100倍。這種方法的使用可以幫助遏制對電力的巨大需求，從而使能量系統構成構成，同時允許更高的AI模型和系統生產率。
人工智能係統（AI）對於技術而言越來越重要，從認可人到語言翻譯。但是，隨著人工智能模型變得越來越複雜，它們會消耗大量電力 – 導致能源效率和穩定性問題。由佛羅里達大學研究人員開發的新芯片可以幫助使用光，而不僅僅是電力來解決這個問題，以執行人工智能的最強大任務之一。
有一項研究 報告 v 高級光子學場地
該芯片旨在執行一個軟件包，這是機器學習中的主要功能，它允許AI系統檢測圖像，視頻和文本中的模板。這些操作通常需要重要的計算能力。研究人員將光學成分直接整合到矽芯片中，創建了一個執行激光和微觀透鏡的系統，這將減少能耗和加速處理。
“機器學習在幾乎零能源中的關鍵計算的性能是未來AI系統的跳躍，”專業瑞士的研究負責人沃爾克·J·索格（Volker J. Sorger）說，他根據佛羅里達大學的半導體光子聲音。 “這很重要，在未來幾年繼續擴大AI的能力。”
在測試中，原型芯片分類的手寫數字的精度約為98％，可與傳統的電子芯片相當。該系統使用標準的半導體生產方法，使用兩組FRELENE-平面微型鏡片，超薄版本的鏡頭。這些鏡頭已經是人的頭髮，它直接刻在芯片上。
要執行包裝，首先將機器學習數據轉換為芯片上的激光光。光穿過Frell的鏡頭，後者進行數學轉換。然後將結果轉換回數字信號以執行AI問題。
PJTC分支方法。 （a）在計算複雜性方面的空間爆發，傅立葉的電束和傅立葉的光包的比較。 （b）JTC方案，演示了它如何執行傅立葉的光束，從光學上產生了組合輸入信號和核的傅立葉的轉換，發現了強度的圖像，並在信號和核之間產生自動和相互關係。 （c）顯微鏡的光學圖像製成了具有光子目標的芯片芯片。 （d）比較MNIST（綠線）的初始圖像，傅立葉（藍線）完美轉換後的輸出信號，在使用相位校正後（粉紅色線）後從芯片上實際鏡頭獲得的傅立葉（黃線）實際轉換後的輸出以及從芯片上實際鏡頭獲得的校準輸出。 （e）混亂的矩陣顯示了10,000個MNIST測試圖像的分類準確性，其中10％的隨機臨時延遲在輸入電信號中引入了10％，達到了95.3％的總準確度。信用： 高級光子學 （2025）。兩個：10.1117/1.AP.7.5.056007
“這是第一次將這種類型的光學計算放在芯片上，並將其應用於AI的神經網絡，” UF Sorger組的研究人員，研究人員的共同作者Handbo Yang說。
該團隊還證明，芯片可以使用不同顏色的激光器同時處理幾個數據流 – 一種稱為多重波長的方法。
楊說：“我們可能有幾個波浪或花朵同時通過鏡頭。” “這是光子學的關鍵優勢。”
該研究是與佛羅里達州，加州大學洛杉磯分校和喬治華盛頓大學半導體協會合作進行的。 Sorger指出，諸如NVIDIA之類的芯片製造商已經在其AI系統的某些部分使用了光學元素，這可以促進這種新技術的集成。
Sorger說：“在不久的將來，基於芯片的光學將成為我們每天使用的每個AI芯片的關鍵部分。” “ AI的光學計算將是以下內容。”
更多信息：
Hangbo Yang等人，幾乎沒有能量的光子傅立葉的轉換，以加速包裝手術， 高級光子學 （2025）。 兩個：10.1117/1.AP.7.5.056007
引用：基於光的PEP可以提高AI能源效率的效率至100倍（2025年9月8日），於2025年9月8日從https://techxplore.com/news/2025-09獲得了基於chip-boost-boost-power-exhtml
該文檔具有版權。除了出於私人研究或研究目的的一些公平交易外，如果沒有書面解決方案，就無法再現。內容僅用於信息目的。
