光计算利用光的速度和携带大量数据的能力等特性，以便比传统电子计算机更有效地处理信息。NRL与桑迪亚国家实验室和中佛罗里达大学合作，旨在提高处理速度、降低能耗，并在数据处理、电信和人工智能等领域实现新的应用。

“这篇论文标志着光学计算领域的重大进步，”NRL光学科学部的研究物理学家BrandonRedding博士说。“它是第一个在光纤中采用分布式反馈，将时间编码与低损耗、部分反射光纤相结合的技术。我们的方法提供了可同时处理多个神经元的可扩展性，以及高速性能和紧凑、轻便、功率大的结构。高效的设计，因为整个系统是光纤耦合的，不需要自由空间光学器件。”

海军正在迅速将机器学习算法应用于广泛的应用。其中许多应用对时间和能量敏感;例如，需要实时识别物体的图像或目标识别任务。

雷丁说：“其中许多应用程序涉及前沿部署的、通常是电力可用性有限的自主平台。”“我们打算使用模拟光子学，它与基于冯·诺依曼的数字电子学具有根本不同的能量缩放，以更低的功耗和更低的延迟来执行这些机器学习任务。在当前的论文中，我们进行了能耗分析，显示了根据问题的大小，功耗可能比GPU低100至1000倍。”

这项研究展示了如何使用光学器件通过被动随机投影(在本例中为非线性随机卷积)来执行有价值的计算任务。这与大多数机器学习的工作方式相反，机器学习通常需要大量的训练来设置神经网络的权重。

“相反，我们表明随机权重仍然可以执行有用的计算任务，”雷丁说。“这很重要，因为我们只需通过粗糙表面的光散射，或者如我们在本文中所示，通过光纤中的不均匀性散射光，就可以在光域中非常有效地应用随机权重。”

在传统的基于数字电子的计算机中，这样做不会有太大的优势，因为每次乘法运算在时间和能量方面都同样昂贵，无论是乘以随机数还是乘以通过训练精心选择的值。

“这意味着在光学领域，我们可能希望以不同的方式设计我们的神经网络架构，以利用光学的独特功能——有些事情在光学中更容易做到，有些事情则更难。因此，只需移植相同的针对数字电子实现进行优化的神经网络架构可能不是光学领域的理想解决方案，”雷丁说。

NRL光纤平台的一个更微妙的功能是执行卷积，类似于卷积神经网络(CNN)，这对于光学计算平台来说是罕见的。卷积对于图像处理等任务非常强大，这导致CNN在国防部图像处理应用中得到广泛使用。

“海军的回报是更快地实施机器学习算法，减少我们得出答案之前的延迟，”NRL光学科学部的研究物理学家JosephMurray博士说。“我们还在探索将这些算法直接应用于模拟数据，而不需要中间数字化和存储，这在处理难以实时记录和分析的高带宽数据(例如高分辨率图像数据或用于电子战应用的射频数据。”

该研究包括理论和实验，涉及发现和理解光学器件和材料所涉及的基本物理原理和机制。

研究物理学家JosephHart博士表示：“当前的论文证明了我们可以利用这些固定的随机光学投影进行有用的计算，并在手写数字的图像识别等基准任务上进行了测试。”来自NRL光学科学部。“我们还在声纳数据集任务上对此进行了测试，以展示该平台如何区分来自岩石和水下水雷的声纳信号，作为更特定于海军的应用。”

光学科学部在近紫外和远红外波长之间的波长范围内的辐射的产生、传播、检测和使用方面开展各种研究、开发和应用导向的活动。该部门作为光学科学专家的咨询机构为实验室和海军服务。