美国乔治华盛顿大学(George Washington University)、加州大学洛杉矶分校(the University of California, Los Angeles)与高科技初创公司Optelligence LLC的研究人员合作，研发了一种光学卷积神经网络加速器，能够以每秒千万亿次字节的速度处理大量的信息。该技术采用光的并行性，开启能够处理光学信号机器学习的新时代，应用包括自动驾驶汽车、5G网络、数据中心、生物医学诊断、数据安全等。

现在，全球对机器学习硬件的需求大大超出了当前计算能力所能提供的。图形处理单元和张量处理单元加速器等最新电子硬件虽然有助于缓解该问题，但是此类硬件也受到串行数据处理的挑战。因为串行处理需要迭代数据处理，并会因布线和电路限制导致延迟。利用光学部件取代电子硬件可以通过利用非迭代方式简化信息处理的方式，从而加速机器学习处理过程。不过，基于光学的机器学习通常受限于光学集成电路上的组件数量，限制了组件之间的连接，而不受空间限制的空间光调制器则受限于缓慢的编程速度。

为了在此种光学机器学习系统上实现突破，研究人员利用数字镜技术取代了空间光调制器，从而研发了一个速度提升100倍的系统。该处理器采用非迭代计时，结合快速编程能力以及大规模并行性，让光学机器学习系统的性能甚至超出最顶级的图形处理单元一个数量级，而且这只是最初的原型，仍有优化空间。

与当前电子机器学习硬件按照顺序处理信息的范式不同，该处理器采用傅里叶光学概念处理信息。此种频率滤波概念可利用数字镜技术执行神经网络所需的卷积，就像执行更简单的元素乘法运算一样。

Optelligence LLC公司联合创始人Hamed Dalir表示：“该原型展示了光学加速器的商业化发展道路，该加速器已经准备好，可用于网络边缘处理、数据中心和高性能计算系统等各种应用。”