日前，最近研究人员已经证明，在光学芯片上直接训练人工神经网络是可能的。 这项研究表明，光电路可以执行一个基于电子学的人工神经网络的关键功能，并且它可以导致更便宜、更快、更节能的方式来执行任务，如语音或图像识别。斯坦福大学研究人员设计的光学芯片复制了传统计算机训练神经网络的方式，神经网络可以通过光学电路(图中蓝色矩形)进行训练。 在完整的网络中，会有几个这样的连接在一起。激光输入(绿色)编码信息是由光波导(黑色)通过芯片携带。 该芯片使用可调谐波束分离器执行对人工神经网络至关重要的操作，波导中的弯曲部分表示可调谐波束分离器。 这些部分将两个相邻的波导连接在一起，并通过调整光学移相器(红色和蓝色发光物体)的设置进行调整，这些移相器就像"旋钮"，可以在训练期间调整以执行给定的任务。

来自网络

激光器首先通过光学电路馈入。退出设备后，计算与预期结果的差异。 这些信息然后被用来产生一个新的光信号，这个光信号通过相反方向的光网络发送回来。 通过在这个过程中测量每个分束器周围的光强度，研究人员展示了如何并行地检测神经网络的性能随着每个分束器的设置而改变。根据这些信息可以改变移相器的设置，并且这个过程可以重复，直到神经网络产生所需的结果。

研究人员用光学模拟来测试他们的训练效果，通过算法来执行复杂的功能，比如在一组点中挑选出复杂的特征。 他们发现光学实现的效果与传统计算机相似。该项工作表明，可以使用物理定律来实现计算机科学算法，通过在光学领域训练这些网络，它表明光学神经网络系统可以单独使用光学来实现某些功能。

虽然光学人工神经网络最近在实验上得到了证实，但是训练步骤是在传统的数字计算机上使用模型进行的，然后最终的设置被导入到光路中。 斯坦福大学的研究小组使用一种方法，通过实现"反向传播"算法的光学模拟，直接在设备中训练这些神经网络，这是训练传统神经网络的标准方法。

研究人员计划进一步优化系统，并希望利用它来实现一个神经网络任务的实际应用。 他们设计的通用方法可用于各种神经网络结构和其他应用，如可重构光学。与数字计算机相比，使用光学芯片更有效地执行神经网络计算，可以解决更复杂的问题，这将提高人工神经网络的性能，使其能够执行自动驾驶汽车所需的任务。这项研究发表在 Optica，OSA 的出版物，光学学会。