目前用于机器学习的处理器在执行复杂操作时，会受到处理数据所需的电力的限制，一般来说，任务越智能，数据就越复杂，对电力的需求就越大。
除此之外，这样的网络还受到处理器和存储器之间电子数据传输缓慢的限制。
因此，研究人员利用光取代电来执行计算，在人工智能的发展上取得了突破，这一新方法显著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，并创造出更强大、更节能的人工智能。
近日发表在科学期刊《 Applied Physics Reviews》上的一篇论文描述了这项研究，表明了他们的光子 TPU 性能比电子 TPU 高 2-3 个数量级。
注：张量处理器（tensor processing unit，缩写：TPU）是 Google 为机器学习定制的专用芯片（ASIC），专为 Google 的深度学习框架 TensorFlow 而设计。
论文作者之一 Mario Miscuglio 说：“我们发现集成了高效光学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，但它们只消耗一小部分的功率，且具有更高的吞吐量。”“经过适当的训练，（这些平台）就可以用于以光速进行干扰。”
Miscuglio 博士说：“光子专用处理器可以节省大量的能源，提高响应时间，减少数据中心的流量。”这款创新处理器的潜在商业应用包括 5G 和 6G 网络，以及进行大量数据处理的数据中心。
