隨著越來越多的連接設備要求遠程操作和雲計算等任務的帶寬量越來越大，管理所有用戶可共享的有限無線頻譜將變得非常具有挑戰性。
工程師正在採用人工智能來動態管理可用的無線頻譜，並著眼於降低延遲和提高性能。但是，大多數用於分類和處理無線信號的AI方法都是渴望的，並且無法實時運行。
現在，麻省理工學院的研究人員開發了一種新型的AI硬件加速器，該加速器專為無線信號處理而設計。他們的光學處理器以光速執行機器學習計算，並在納秒內對無線信號進行分類。
光子芯片比最佳數字替代方案快100倍，而信號分類的精度約為95％。新的硬件加速器也可擴展且靈活，因此可以用於各種高性能計算應用程序。同時，它比數字AI硬件加速器更小，更輕，更便宜，更節能。
該設備在將來的6G無線應用程序中可能特別有用，例如通過將無線調製格式調整到不斷變化的無線環境中來優化數據速率的認知無線電。
通過使邊緣設備實時執行深度學習計算，該新硬件加速器可以在信號處理以外的許多應用程序中提供巨大的加速。例如，它可以幫助自動駕駛汽車對環境變化做出分裂的反應，或者使智能起搏器能夠不斷監測患者心臟的健康狀況。
“有許多應用程序可以通過能夠分析無線信號的邊緣設備來啟用。我們在本文中提出的內容可能為實時和可靠的AI推斷提供了許多可能性。這項工作是可能具有影響力的開始的開始，”電氣工程和計算機科學的教授Dirk Englund說，Dirk Englund是電子工程學和計算機科學，人工學業和計算機上的研究，人工智能和計算機上的研究人員，量（RLE）和該論文的高級作者。
首席作家羅納德·戴維斯三世（Ronald Davis III Phd ’24）將他加入了紙上； Zaijun Chen是前麻省理工學院的博士後，現在是南加州大學的助理教授； RLE的客座科學家，NTT Research的高級科學家Ryan Hamerly。該研究今天出現在 科學進步。
光速處理
用於無線信號處理的最先進的數字AI加速器將信號轉換為圖像，並通過深度學習模型將其運行以對其進行分類。儘管這種方法非常準確，但深度神經網絡的計算密集型性質使得它對於許多時間敏感的應用而言是不可行的。
光學系統可以通過使用光編碼和處理數據來加速深層神經網絡，這比數字計算的能量密集型也小。但是，研究人員在用於信號處理時努力最大程度地提高通用光學神經網絡的性能，同時確保光學設備可擴展。
通過開發專門用於信號處理的光學神經網絡體系結構，他們稱之為乘法模擬頻率轉換光學網絡（MAFT-ONN），研究人員可以直接解決該問題。
MAFT-ONN通過編碼所有信號數據並執行所謂的頻域中的所有機器學習操作來解決可擴展性問題，然後在將無線信號數字化之前。
研究人員設計了其光學神經網絡，以在線執行所有線性和非線性操作。兩種類型的操作都是深度學習的。
借助這種創新的設計，他們只需要每層使用一個MAFT-ONN設備來用於整個光學神經網絡，而不是其他需要為每個單獨的計算單元或“神經元”的設備的方法。
戴維斯說：“我們可以將10,000個神經元安裝到單個設備上，並在單鏡頭中計算必要的乘法。”
研究人員使用一種稱為光電乘法的技術來實現這一目標，從而顯著提高了效率。它還允許他們創建一個光學神經網絡，該網絡可以很容易地用其他層來擴展，而無需額外的開銷。
導致納秒
Maft-onn採用無線信號作為輸入，處理信號數據，然後將信息傳遞到以後的操作中，邊緣設備執行。例如，通過對信號的調製進行分類，MAFT-ONN將使設備能夠自動推斷信號的類型以提取其攜帶的數據。
研究人員設計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。
戴維斯說：“我們不能僅從架子上拿出一個普通的機器學習框架並使用它。我們必須對其進行自定義以適合硬件並弄清楚如何利用物理學，以便它可以執行我們想要的計算。”
當他們在模擬中測試他們在信號分類方面的架構時，光神經網絡在單個鏡頭中的精度達到了85％，使用多個測量值可以迅速收斂至99％以上的精度。 MAFT-ONN僅需要約120納秒即可執行整個過程。
戴維斯補充說：“您測量的時間越長，將獲得的準確性越高。由於MAFT-ONN計算納秒的推論，您不會失去太大的速度來獲得更高的準確性。”
雖然最先進的數字射頻設備可以在微秒內執行機器學習推理，但光學器件可以在納秒甚至picseconds中進行。
向前邁進，研究人員希望採用被稱為多路復用方案，以便他們可以執行更多的計算並擴大MAFT-ONN。他們還希望將工作擴展到更複雜的深度學習體系結構，這些體系結構可以運行變形金剛或LLM。
這項工作部分由美國陸軍研究實驗室，美國空軍，麻省理工學院林肯實驗室，日本電報和電話以及國家科學基金會資助。
