Der Übergang zum neuromorphen Computing beinhaltet den Ersatz neuronaler Netze, die auf der von Neumann-Architektur implementiert sind, durch physikalische neuronale Netze, die die Funktionsweise des Gehirns nachahmen. Optik und Photonik sind in diesem Bereich besonders vielversprechend, da sie den Stromverbrauch minimieren und schnelle Berechnungen ermöglichen. Bisher gab es jedoch zwei Hauptprobleme: die Notwendigkeit eines Hochleistungslasers zum Aufbau eines optischen neuronalen Netzwerks und das Fehlen einer effektiven Methode zum Training solcher Netzwerke.
Bei einem neuen Ansatz, der dieses Problem löst, werden Eingangsdaten durch Änderungen der Lichtdurchlässigkeit erfasst, wodurch das Eingangssignal auf beliebige Weise verarbeitet werden kann. Dies vermeidet komplexe physikalische Wechselwirkungen und erfordert Lichtfelder mit geringerer Leistung.
Mithilfe von Simulationen zeigten die Autoren, dass ihre Methode für Bildklassifizierungsaufgaben mit der gleichen Genauigkeit wie digitale neuronale Netze eingesetzt werden kann. Dies eröffnet neue Möglichkeiten für neuromorphe Geräte und ermöglicht die Durchführung maschinellen Lernens auf einer Vielzahl von Plattformen.
