当他们的计算机需要一个矩阵乘法时——即一堆数字的加权和，它首先要将数字转换为光信号，其中较大的数字表示为较亮的波束。然后，光学芯片将完全乘法问题分解成许多较小的乘法，每个乘法由芯片的单个“单元”处理。要了解一个“单元”的运行情况，你要想象有两股流入其中的水流（输入光束）和两股流出的水流。每个单元会像闸门和泵的格子一样起到作用，将流分解，再对它们进行加速或减速，最后将它们混合在一起。通过控制泵的速度，电池可以将不同量的水引导到每个输出流中。

 

　　泵的光学等效物是硅的加热通道。加热时， Harris 解释说：“[硅]原子会扩散一点，这会导致光线以不同的速度行进，”从而导致光波像声波一样相互增强或抑制。（对后者进行抑制就是降噪耳机如何进行工作的原理）。计算机设置加热器，是为了使每个单元输出通道的流出光量是输入的加权和，加热器决定权重。

 

　　要有光吗？

 

　　Shen 和 Harris 通过训练一个简单的神经网络来识别不同的元音声，并以此来测试他们的芯片。结果是很平常的，但Shen认为这是因为改变了一个本就不完全适合的设备的用途。例如，不断将数位转换为光学信号并将光学信号转换为数位的组件只是一个概念的粗略证明，如果仅仅是因为它们易于连接到 Harris 的量子计算芯片就选择那些设备，这是不明智的。《Nature Photonics》上的论文表示，他们专门为深度学习而制造的更好的计算机版本可以提供和最佳常规芯片一样的精度，同时将能将能耗降低几个数量级，并且提供100倍的速度。这样的话，即便是将人工智能内置到手持的设备中都是行的通的，而无需在将其再外包给其他的大型服务器，否则这将是不可能的。

 

　　当然，光学计算起起落落的发展历史给我们留下了很大的怀疑空间。Ambs警告说，“我们不要太兴奋。” Shen和Harris的团队还没有展示出一个完整的体系，并且Ambs的经验表明，有时候“能显著的完善一个还未成熟的系统是非常困难的。”

 

　　尽管如此，Ambs也同意这项工作“与90年代的[光学]处理器相比，取得了巨大的进步。”Shen和Harris也很乐观。他们正在创立一个能将他们的技术商业化的初创企业，他们相信更大的深度学习芯片将会起到明显作用。Harris 认为，导致他们目前芯片的错误的所有因素都有了解决的方案，所以“这只是获得真正的人才并在实际中构建事情的一项工程挑战”。