高度数字化转型的社会需要在所有信息设备中广泛应用人工智能处理应用，从数据中心到边缘计算、自动驾驶和消费设备。人工智能处理系统的规模正呈现出每年十倍左右的爆发式扩张，千亿参数的超大规模系统已经出现。此类人工智能处理系统由大量数字计算处理器构建而成，但由于计算规模不断扩大，数字计算的功耗和计算延迟显着增加。例如，包含 512 个 GPU 的 AI 处理系统需要 120,000 瓦或更多的功率。此外，边缘计算、机器人控制和自动驾驶等应用也需要小型系统。然而，在图像识别等人工智能处理中，会出现毫秒级的延迟，这对于这些需要高速响应的应用来说是一个问题。

因此，高吞吐量人工智能加速器的研究和开发最近正在取得进展，这些加速器具有低功耗和延迟，并且可以在不依赖数字计算的情况下处理大量数据。使用光子集成电路的光神经网络计算作为此类候选者之一正在引起人们的关注。光神经网络计算只需将光传播通过具有固定参数的光子集成电路即可完成计算。不需要像数字计算那样进行设备切换，功耗低，并且在光传播通过光子集成电路芯片的时间内完成计算，计算延迟极小。然而，集成使用光的非线性响应器件是一个挑战，因此现有的光神经网络计算电路是通过将光信号转换为电信号并与电子电路进行数字计算的混合配置来实现的。因此，现有的光神经网络计算并没有充分发挥其在功耗和计算延迟方面的优势。因此，需要开发仅使用光子集成电路来实现神经网络计算的技术。另外，光计算电路的学习主要是通过计算机进行高级学习，但根据自己的经验进行自主学习则需要直接学习实际电路。

AIST 的研究人员在日本科学技术振兴机构 (JST) 的支持下，与日本电报电话公司合作开发了具有超低延迟和低功耗的神经网络计算技术，并使用硅光子集成电路代替电子电路。

该技术使用光子集成电路执行机器学习计算。将待分析的多维数据的电信号输入到光子集成电路的不同输入端口并转换为光信号，转换后的光信号通过光子集成电路内置的大量光学干涉仪进行计算。然后将计算结果输出为多个输出端口的光强分布。

该技术仅通过光子集成电路实现神经网络计算，无需经过电子电路。在这种神经网络计算中，简单地通过在具有固定参数的光子集成电路中传播光来完成计算。这意味着不需要数字电子电路那样的顺序切换，从而可以实现延迟时间为 1/1000 或更短的计算，并且功耗仅为电子电路的百分之几。此外，光子电路的时钟速度可以是电子电路的十倍或更快，因此单位时间处理的数据量也可以增加。凭借这些特性，该技术有望应用于补充数字电子电路的人工智能加速器。