英国牛津大学材料系研究者联合埃克塞特大学和明斯特大学的专家，联手开发了一种光学处理器，置于芯片上运行，可以检测数据集中的相似性。它的运行速度相比传统电子处理器上运行的机器学习算法要快高达一千倍。这项新研究已在《光学》杂志上发表，其灵感源于奖得主伊万巴甫洛夫对经典条件反射现象的重大发现。
巴甫洛夫的实验揭示了这样一个现象：如果在一个新的刺激（如铃铛或节拍器的声音）与一种体验（如喂食）之间建立关联，并通过多次重复来强化这种联系，那么动物在仅仅听到声音时就会产生条件反射。例如，狗在听到之前与食物关联的声音时会开始流口水。
在大多数人工智能系统中使用的网络需要大量的数据样本进行学习。例如，为了训练模型准确识别猫的图片，可能需要成千上万张猫和非猫的图片。这导致了巨大的计算和处理成本。
而关联单子学习元素（AMLE）不同于依赖网络反向传播技术“微调”结果的常规方法。它使用特殊的记忆材料来关联数据集中的相似特征，模拟巴甫洛夫实验中观察到的条件反射现象。在测试中，仅通过五对图像的简单训练，AMLE就能准确识别猫和非猫的图片。
与传统电子芯片相比，这款新型光学芯片展现了出色的性能表现，主要得益于两个关键的设计差异：一是其独特的网络架构采用联想学习作为基本构建块，摒弃了传统的元和网络结构；二是采用“波分复用”技术，在单一通道上发送不同波长的多个光信号，极大提升了计算速度。
这款设备能够以极高的速度捕捉数据集中的相似性，并运用光并行技术进一步提高整体计算效能，远超过传统电子芯片的能力范围。研究人员指出，这种联想学习方法可以作为网络的补充，而非替代。对于不需要深入分析数据集中复杂特征的问题，这种方法的效率更高。实际上，许多学习任务并不需要极其复杂的处理过程，此时联想学习就能迅速完成任务且计算成本更低。（科技快报）
