随着越来越多的互联设备对带宽的需求不断增加，用于远程办公和云计算等任务，管理所有用户共享的有限无线频谱将变得极具挑战性。

工程师们正在利用人工智能动态管理可用的无线频谱，以期降低延迟并提升性能。但大多数用于分类和处理无线信号的人工智能方法都非常耗电，而且无法实时运行。

图片来源： 麻省理工学院

据外媒报道，麻省理工学院（MIT）的研究人员开发出一种专为无线信号处理而设计的新型人工智能硬件加速器。新光学处理器能够以光速执行机器学习计算，在纳秒级时间内对无线信号进行分类。相关研究论文发表在期刊《Science Advances》。

这款光子芯片的速度比目前最好的数字芯片快约100倍，同时信号分类的收敛准确率达到约95%。这款新型硬件加速器还具有可扩展性和灵活性，因此可以用于各种高性能计算应用。同时，它比数字人工智能硬件加速器更小、更轻、更便宜、更节能。

该设备在未来的6G无线应用中可能尤其有用，例如通过调整无线调制格式以适应不断变化的无线环境来优化数据速率的认知无线电。

通过使边缘设备能够实时执行深度学习计算，这款新型硬件加速器可以在信号处理以外的许多应用中提供显著的加速。例如，它可以帮助自动驾驶汽车对环境变化做出瞬间反应，或使智能起搏器能够持续监测患者的心脏健康状况。

“能够分析无线信号的边缘设备将助力实现诸多应用。我们在论文中提出的观点可能为实时可靠的人工智能推理开辟诸多可能性。这项工作开启了一项可能影响深远的事业。”麻省理工学院电气工程与计算机科学系教授、量子光子学与人工智能小组及电子研究实验室（RLE）首席研究员、论文资深作者Dirk Englund说道。

与他一同参与论文研究的还有：第一作者Ronald Davis III博士；前麻省理工学院博士后、现任南加州大学助理教授的Zaijun Chen；以及RLE访问学者、NTT Research资深科学家Ryan Hamerly。

光速处理

用于无线信号处理的先进数字人工智能加速器将信号转换为图像，并通过深度学习模型进行分类。虽然这种方法精度高，但深度神经网络的计算密集型特性使其不适用于许多时间敏感的应用。

光学系统可以通过利用光来编码和处理数据来加速深度神经网络，而且其能耗也低于数字计算。然而，研究人员一直在努力最大限度地提高通用光学神经网络在信号处理中的性能，同时确保光学设备的可扩展性。

研究人员开发了一种专门用于信号处理的光学神经网络架构，并将其命名为乘法模拟频率变换光学神经网络（MAFT-ONN），从而正面解决了这一问题。

MAFT-ONN通过对所有信号数据进行编码，并在频域（即无线信号数字化之前）执行所有机器学习操作来解决可扩展性问题。

研究人员设计的光学神经网络能够同时执行所有线性和非线性运算。这两种类型的运算都是深度学习所必需的。

得益于这种创新设计，研究人员只需为整个光学神经网络每层配备一个MAFT-ONN设备，而其他方法则需要为每个计算单元（或“神经元”）配备一个设备。

“我们可以将10,000个神经元安装到单个设备上，并一次性完成必要的乘法计算，”Davis说道。

研究人员使用一种名为光电倍增的技术实现了这一目标，这显著提高了效率。此外，该技术还使他们能够创建一个易于扩展的光学神经网络，无需额外开销即可添加更多层。

纳秒级结果

MAFT-ONN以无线信号作为输入，处理信号数据，并将信息传递给边缘设备执行后续操作。例如，通过对信号的调制方式进行分类，MAFT-ONN可以使设备自动推断信号类型，从而提取其携带的数据。

研究人员在设计MAFT-ONN时面临的最大挑战之一是如何将机器学习计算映射到光学硬件上。

“我们不能直接使用现成的普通机器学习框架。我们必须对其进行定制，使其适应硬件，并弄清楚如何利用物理原理，使其能够执行我们想要的计算，”Davis说道。

当他们在仿真中测试该架构的信号分类时，该光学神经网络单次测试的准确率达到了85%，并且可以通过多次测量快速收敛到99% 以上的准确率。MAFT-ONN仅需大约120纳秒即可完成整个过程。

“测量时间越长，精度就越高。由于MAFT-ONN的推理计算速度以纳秒为单位，因此无需牺牲太多速度即可获得更高的精度，”Davis补充道。

最先进的数字射频设备可以在微秒级完成机器学习推理，而光学技术则可以在纳秒甚至皮秒级完成。

展望未来，研究人员希望采用所谓的多路复用方案，以便执行更多计算并扩展MAFT-ONN。他们还希望将研究成果扩展到更复杂的深度学习架构，以运行Transformer模型或LLM。