模仿人脑工作的深度神经网络现在通常为计算机视觉、语音识别等提供支持。目前数字芯片上的消费级图像分类技术每秒可执行数十亿次计算，速度足以满足大多数应用，但更复杂的图像，如识别运动物体、3D物体或人体显微细胞分类仍面临不少障碍。

　　首先，这些系统通常使用基于数字时钟的平台，如图形处理单元（GPU）来实现，这将它们的计算速度限制在时钟频率上，计算必须逐个进行。其次，传统电子设备将内存和处理单元分开，数据穿梭耗费时间。此外，原始图像数据通常需要转换为数字电子信号，耗时较长，而且需要大内存单元来存储图像和视频，引发潜在的隐私问题。

　　鉴于此，宾夕法尼亚大学电气和系统工程副教授弗瑞兹·阿发雷托尼等人开发出一款可扩展芯片，每秒可对近20亿张图像进行分类。这是第一个完全在集成光子设备上以可扩展方式实现的深度神经网络，整个芯片大小只有9.3平方毫米，消除了传统计算机芯片中的4个主要耗时障碍：光信号到电信号的转换、将输入数据转换为二进制格式、大存储模块以及基于时钟的计算。

　　阿发雷托尼解释说，该芯片上的光学神经元通过光线相互连接，形成一个由许多“神经元层”组成的深层网络。信息通过“神经元层”传递，每一步都对图像分类，使快速处理信息成为可能，最新芯片可在半纳秒内完成整个图像分类，而传统数字计算机芯片在同样时间内只能完成一个计算步骤。

　　研究人员表示，可通过添加更多神经层来扩展这一深层网络，使芯片能以更高分辨率读取更复杂图像中的数据。此外，任何可转换为光的信号，如音频和语音，都可使用这项技术几乎瞬间进行分类。