研究人員希望采用所謂的多路復用方案，以便執行更多計算并擴大MAFT-ONN的規模。

隨著越來越多的聯網設備需要越來越多的帶寬來完成遠程辦公和云計算等任務，管理所有用戶共享的有限無線頻譜將變得極具挑戰性。

工程師們正在利用人工智能來動態管理可用的無線頻譜，以期減少延遲并提升性能。但大多數用于分類和處理無線信號的人工智能方法都耗電嚴重，而且無法實時運行。

現在，麻省理工學院的研究人員開發了一種專為無線信號處理而設計的新型人工智能硬件加速器。他們的光學處理器能夠以光速執行機器學習計算，在納秒級時間內對無線信號進行分類。

該光子芯片的速度比最佳數字方案快約100倍，同時信號分類的收斂準確率達到約95%。新型硬件加速器還具有可擴展性和靈活性，因此可用于各種高性能計算應用。同時，它比數字AI硬件加速器更小、更輕、更便宜、更節能。

該設備在未來的 6G 無線應用中尤其有用，例如通過使無線調制格式適應不斷變化的無線環境來優化數據速率的認知無線電。

通過使邊緣設備能夠實時執行深度學習計算，這款新型硬件加速器可以為信號處理以外的許多應用提供顯著的加速。例如，它可以幫助自動駕駛汽車對環境變化做出瞬間反應，或使智能起搏器能夠持續監測患者的心臟健康狀況。

“許多應用可以通過能夠分析無線信號的邊緣設備來實現。我們在論文中提出的內容可能為實時可靠的人工智能推理開辟許多可能性。這項工作只是一項可能產生巨大影響的開端。”麻省理工學院電氣工程與計算機科學系教授、量子光子學與人工智能小組和電子研究實驗室 (RLE) 首席研究員、該論文的資深作者 Dirk Englund 說道。

與他共同參與論文撰寫的還有：第一作者羅納德Davis三世（Ronald Davis III），24屆博士生；前麻省理工學院博士后、現任南加州大學助理教授的陳在軍（Zaijun Chen）；以及RLE客座科學家、NTT Research高級科學家瑞安哈默利（Ryan Hamerly）。這項研究發表在《科學進展》（Science Advances）雜志上。

光速處理

用于無線信號處理的先進數字 AI 加速器將信號轉換為圖像，并通過深度學習模型進行分類。雖然這種方法非常準確，但深度神經網絡的計算密集型特性使其不適用于許多時間敏感的應用。

光學系統可以通過利用光來編碼和處理數據，從而加速深度神經網絡，而且其能耗也比數字計算更低。然而，研究人員一直在努力最大限度地提高通用光學神經網絡在信號處理中的性能，同時確保光學設備的可擴展性。

通過開發一種專門用于信號處理的光學神經網絡架構，研究人員將其稱為乘法模擬頻率變換光學神經網絡（MAFT-ONN），正面解決了這個問題。

MAFT-ONN 通過對所有信號數據進行編碼并在無線信號數字化之前在所謂的頻域內執行所有機器學習操作來解決可擴展性問題。

研究人員設計的光學神經網絡能夠同時執行所有線性和非線性運算。深度學習需要這兩種類型的運算。

由于這種創新設計，整個光學神經網絡每層只需要一個 MAFT-ONN 設備，而其他方法則需要為每個單獨的計算單元或“神經元”配備一個設備。

Davis說：“我們可以將 10,000 個神經元安裝到單個設備上，并一次性計算出必要的乘法。”

研究人員利用一種名為光電倍增的技術實現了這一目標，該技術顯著提高了效率。此外，該技術還能幫助他們構建一個光學神經網絡，該網絡可以輕松擴展，無需額外開銷，并增加額外的層數。

以納秒為單位的結果

MAFT-ONN 以無線信號作為輸入，處理信號數據，并將信息傳遞給邊緣設備執行后續操作。例如，通過對信號的調制進行分類，MAFT-ONN 可以使設備自動推斷信號類型以提取其攜帶的數據。

研究人員在設計 MAFT-ONN 時面臨的最大挑戰之一是確定如何將機器學習計算映射到光學硬件。

“我們不能直接使用現成的普通機器學習框架。我們必須對其進行定制，使其適應硬件，并弄清楚如何利用物理原理，以便它能夠執行我們想要的計算，”Davis說。

當他們在模擬中測試其架構的信號分類時，光學神經網絡單次即可達到 85% 的準確率，并通過多次測量快速收斂到 99% 以上的準確率。MAFT-ONN 僅需約 120 納秒即可完成整個過程。

“測量時間越長，精度就越高。由于 MAFT-ONN 以納秒為單位計算推理，因此無需犧牲太多速度即可獲得更高的精度。”Davis補充道。

雖然最先進的數字射頻設備可以在微秒內完成機器學習推理，但光學設備可以在納秒甚至皮秒內完成。

展望未來，研究人員希望采用所謂的多路復用方案，以便執行更多計算并擴大 MAFT-ONN 的規模。他們還希望將這項工作擴展到更復雜的深度學習架構，以運行 Transformer 模型或 LLM。

這項工作的部分資金來自美國陸軍研究實驗室、美國空軍、麻省理工學院林肯實驗室、日本電報電話公司和國家科學基金會。