牛津大学材料系与埃克塞特大学和明斯特大学的研究人员合作，开发了一种片上光学处理器，其检测数据集中的相似性的速度比在电子处理器上运行的传统机器学习算法快1000倍。
这项新研究发表在optica期刊上，其灵感来自诺贝尔奖获得者伊万·巴甫洛夫(Ivan Pavlov)对经典条件反射的发现。在他的实验中，给狗喂食过程中提供铃铛或节拍器的声音，狗会将这两种体验联系起来，并且到后来只听到声音就会流口水。这两个不相关的事件配对在一起的重复关联可以产生一种习得反应。
巴甫洛夫联想学习被认为是塑造人类行为的基本学习形式。但被应用在人工智能中还是第一次。对巴甫洛夫学习与光学并行处理的研究证明了各种人工智能任务的具备的潜力。
大多数人工智能系统中使用的神经网络算法在学习过程中通常需要大量数据进行训练，计算和处理成本非常高。
关联单子学习元素(AMLE)不是依靠神经网络青睐的反向传播来“微调”结果，而是使用一种记忆材料来学习模式，将数据集中的相似特征关联在一起，模仿巴甫洛夫在案例中观察到的条件反射。
关联单子学习元素(AMLE)输入与正确的输出配对以监督学习过程，并且可以使用光信号重置记忆材料。在测试中，仅用五对图像训练后，关联单子学习元素(AMLE)就可以正确识别任务图像。
与传统电子芯片相比，新型光学芯片具有相当可观的性能，这归因于设计上的两个关键差异：
1、独特的网络架构，将联想学习作为构建块，而不是使用神经元和神经网络
2、使用“波分复用”在单个通道上发送不同波长的多个光信号以提高计算速度
芯片硬件使用光来发送和检索数据，以最大限度地提高信息密度，同时发送多个不同波长的信号进行并行处理，从而提高识别任务的检测速度。每个波长都会提高计算速度。
