英國牛津大學材料系研究人員聯合?？巳卮髮W和明斯特大學的同事開發了一種片上光學處理器，能檢測數據集中的相似性，速度比在電子處理器上運行的傳統機器學習算法快1000倍。發表在《光學》雜志上的這項新研究的靈感來自諾貝爾獎獲得者伊萬·巴甫洛夫對經典條件反射的發現。
巴甫洛夫在實驗中發現，如果在喂食過程中提供另一種刺激，例如鈴鐺或節拍器的聲音，使狗將這兩種體驗聯系起來，那它只聽到聲音就會流口水。兩個不相關的事件配對在一起的重復關聯可產生學習反應，也就是條件反射。
大多數AI系統中使用的神經網絡在學習過程中通常需要大量數據示例，比如訓練模型可靠地識別出貓，可能需要多達10000張貓/非貓圖像，造成計算和處理成本居高不下。
關聯單子學習元素（AMLE）不是依靠神經網絡青睞的反向傳播來“微調”結果，而是使用一種記憶材料來學習模式，將數據集中的相似特征關聯在一起，以模仿巴甫洛夫在案例中觀察到的條件反射的“比賽”。
在測試中，僅用5對圖像訓練后，AMLE就可正確識別貓/非貓圖像。
與傳統電子芯片相比，新型光學芯片具有相當可觀的性能，這歸因于設計上的兩個關鍵差異：一種獨特的網絡架構，將聯想學習作為構建塊，而不是使用神經元和神經網絡；使用“波分復用”在單個通道上發送不同波長的多個光信號，以提高計算速度。
該設備自然地捕捉數據集中的相似性，同時使用光并行以提高整體計算速度，這遠遠超過了傳統電子芯片的能力。
研究人員表示，聯想學習方法可作為神經網絡的補充，而不是取代它們。對于不需要對數據集中高度復雜的特征進行大量分析的問題，它更有效。許多學習任務都是基于數量的，復雜程度并不高。在這些情況下，聯想學習可更快地完成任務，并且計算成本更低。
