2026年9月10日——威斯康星大学麦迪逊分校的工程师们设计了一种新型量子纳米结构，有望实现光学神经网络。这项新兴技术有潜力让人工智能系统，如大语言模型和图像生成，变得更快，并显著提升能效。

这项研究由电气与计算机工程专业博士生 Qingyi Zhou 和 Jungmin Kim、计算机科学专业博士生 Yutian Tao，以及 Zongfu Yu（电气与计算机工程教授）领导，于 2026年8月27日发表在《自然-通讯》 上。

许多最受欢迎的人工智能系统都基于深度神经网络，这是一种模仿人脑互联方式的多层系统。随着这些系统在规模和复杂性上不断扩大，其能耗也随之增加。这是近期人们对人工智能能源使用和数据中心建设感到担忧的一个因素。

围绕人工智能能耗的焦虑并非新鲜事；事实上，十年前，人工智能研究人员就意识到，扩展神经网络所需的能源成本不可持续。正因如此，他们提出了一种新方案：光学神经网络。

光学系统不依赖传统计算机芯片，而是使用极其微小、快速的激光器和光电探测器来处理信息。理论上，这些系统比支撑当前人工智能系统的电子GPU快几个数量级，效率也高几个数量级。换句话说，它们可以完成更多工作，同时消耗更少能源。

但光学系统缺少一个关键属性，正是这个属性让神经网络不仅仅是一台花哨的计算器。这种特性被称为非线性，它使人工智能系统能够超越传统计算。

光学系统擅长处理线性函数，即输出随输入按比例缩放。但是，由于光子——在光学系统中携带能量和信息的光粒子——不喜欢彼此相互作用，能够产生非线性函数的光学材料很少。此类非线性操作使网络能够学习复杂模式，而不仅仅是重新缩放其输入。

尽管确实存在少数非线性光学材料，但激活其非线性功能所需的激光能量如此之大，以至于抵消了系统的节能效果。

Zhou、Yu及其同事决定重新审视光学非线性，看看是否有另一种解决问题的方法。Zhou说：“基本上，我们问自己，‘为什么这种非线性如此重要？为什么我们一开始就需要强非线性？’以及，‘我们该如何克服这个瓶颈——我们没有大量非线性？’这基本上就是整个项目的起点。”

该团队计算了使用现有传统光学材料在光学神经网络中驱动非线性需要多少能量。研究人员发现，使系统运行所需的激光强度不可能实现，远远超出任何现实的功率预算。

因此，如果无法让光学材料自身具有非线性，团队便开始考虑将它们与其他材料结合起来。Zhou说：“我们问，‘如果我们使用一些不那么传统的材料，比如已经表现出非常非常强光学非线性的量子发射器，会怎么样？’如果你构建一个包含这些材料的神经网络，希望它能产生非线性。这就是我们的直觉；这些材料已经展现出强非线性。它们只是还没有被用于光学计算领域。”

该团队利用一套仿真和计算工具，设计了一种围绕量子发射器的纳米结构（严格来说，是一种称为空位色心的结构），并对其进行了优化，以产生尽可能多的非线性。详细的模拟表明，将这些器件整合到一个完整的神经网络中，确实会产生强非线性——从而创建一个更快、更强大的系统。

此外，该模型显示，团队的设计将把功耗降低到比传统光学材料低七个数量级的水平。Zhou强调，尽管这些结果是理论估算，但分析已经表明，非线性本身不应再是光学计算的瓶颈。

尽管目前的工作仍属于计算研究，Zhou还是查阅了文献，并分析了利用当前材料和技术构建这种光学神经网络是否可行。他还表示，其他类型的量子发射器，如量子点或中性原子，也可能在该系统中发挥作用并提升其性能。他说：“随着基于金刚石的量子光子学的最新进展，我相信我们的方案是在当前技术条件下可以实现的。”