当前用于机器学习的处理器受到执行复杂操作时处理数据所需的能力的限制。一般而言，任务越聪明，数据越复杂，对电源的需求也越大。另外，这样的网络还受到处理器和存储器之间电子数据的缓慢传输的限制。因此，研究人员使用光代替电来进行计算，并在人工智能的发展方面取得了突破。这种新方法极大地提高了机器学习神经网络的速度和效率。美国乔治华盛顿大学的研究人员发现，在神经网络（张量）处理器（TPU）中使用光子可以克服这些限制，并创建功能更强大，更节能的人工智能。最近在科学杂志上发表的一篇论文描述了这项研究，表明它们的光子TPU性能比电子TPU高2-3个数量级。注意：张量处理单元（TPU）是Google定制用于机器学习的专用芯片（ASIC）。它是为Google的深度学习框架TensorFlow设计的。该论文的作者之一Mario Miscuglio说：“我们发现具有集成高效光存储器的集成光子平台可以实现与张量处理器相同的操作，但是它们仅消耗少量功率并具有更高的吞吐量。 ”。 “在适当训练之后，（这些平台）可以用于以光速进行干涉。” Miscuglio博士说：“光子专用处理器可以节省大量能量，缩短响应时间，并减少数据中心流量。”这种创新的处理能力该设备的潜在商业应用包括5G和6G网络，以及用于大量数据处理的数据中心。