隨著越來越多的聯(lián)網(wǎng)設(shè)備需要越來越多的帶寬來完成遠程辦公和云計算等任務(wù)，管理所有用戶共享的有限無線頻譜將變得極具挑戰(zhàn)性。

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

現(xiàn)在，麻省理工學(xué)院的研究人員開發(fā)了一種專為無線信號處理而設(shè)計的新型人工智能硬件加速器。他們的光學(xué)處理器能夠以光速執(zhí)行機器學(xué)習(xí)計算，在納秒級時間內(nèi)對無線信號進行分類。

該光子芯片的速度比最佳數(shù)字方案快約100倍，同時信號分類的收斂準(zhǔn)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(yīng)用。同時，它比數(shù)字AI硬件加速器更小、更輕、更便宜、更節(jié)能。

該設(shè)備在未來的 6G 無線應(yīng)用中尤其有用，例如通過使無線調(diào)制格式適應(yīng)不斷變化的無線環(huán)境來優(yōu)化數(shù)據(jù)速率的認(rèn)知無線電。

通過使邊緣設(shè)備能夠?qū)崟r執(zhí)行深度學(xué)習(xí)計算，這款新型硬件加速器可以為信號處理以外的許多應(yīng)用提供顯著的加速。例如，它可以幫助自動駕駛汽車對環(huán)境變化做出瞬間反應(yīng)，或使智能起搏器能夠持續(xù)監(jiān)測患者的心臟健康狀況。

“許多應(yīng)用可以通過能夠分析無線信號的邊緣設(shè)備來實現(xiàn)。我們在論文中提出的內(nèi)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(chǎn)生巨大影響的開端?！甭槭±砉W(xué)院電氣工程與計算機科學(xué)系教授、量子光子學(xué)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(xué)院博士后、現(xiàn)任南加州大學(xué)助理教授的陳在軍（Zaijun Chen）；以及RLE客座科學(xué)家、NTT Research高級科學(xué)家瑞安·哈默利（Ryan Hamerly）。這項研究發(fā)表在《科學(xué)進展》（Science Advances）雜志上。

光速處理

用于無線信號處理的先進數(shù)字 AI 加速器將信號轉(zhuǎn)換為圖像，并通過深度學(xué)習(xí)模型進行分類。雖然這種方法非常準(zhǔn)確，但深度神經(jīng)網(wǎng)絡(luò)的計算密集型特性使其不適用于許多時間敏感的應(yīng)用。

光學(xué)系統(tǒng)可以通過利用光來編碼和處理數(shù)據(jù)，從而加速深度神經(jīng)網(wǎng)絡(luò)，而且其能耗也比數(shù)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(xué)神經(jīng)網(wǎng)絡(luò)在信號處理中的性能，同時確保光學(xué)設(shè)備的可擴展性。

通過開發(fā)一種專門用于信號處理的光學(xué)神經(jīng)網(wǎng)絡(luò)架構(gòu)，研究人員將其稱為乘法模擬頻率變換光學(xué)神經(jīng)網(wǎng)絡(luò)（MAFT-ONN），正面解決了這個問題。

MAFT-ONN 通過對所有信號數(shù)據(jù)進行編碼并在無線信號數(shù)字化之前在所謂的頻域內(nèi)執(zhí)行所有機器學(xué)習(xí)操作來解決可擴展性問題。

研究人員設(shè)計的光學(xué)神經(jīng)網(wǎng)絡(luò)能夠同時執(zhí)行所有線性和非線性運算。深度學(xué)習(xí)需要這兩種類型的運算。

由于這種創(chuàng)新設(shè)計，整個光學(xué)神經(jīng)網(wǎng)絡(luò)每層只需要一個 MAFT-ONN 設(shè)備，而其他方法則需要為每個單獨的計算單元或“神經(jīng)元”配備一個設(shè)備。

Davis說：“我們可以將 10,000 個神經(jīng)元安裝到單個設(shè)備上，并一次性計算出必要的乘法?！?/p>

研究人員利用一種名為光電倍增的技術(shù)實現(xiàn)了這一目標(biāo)，該技術(shù)顯著提高了效率。此外，該技術(shù)還能幫助他們構(gòu)建一個光學(xué)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以輕松擴展，無需額外開銷，并增加額外的層數(shù)。

以納秒為單位的結(jié)果

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

研究人員在設(shè)計 MAFT-ONN 時面臨的最大挑戰(zhàn)之一是確定如何將機器學(xué)習(xí)計算映射到光學(xué)硬件。

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

當(dāng)他們在模擬中測試其架構(gòu)的信號分類時，光學(xué)神經(jīng)網(wǎng)絡(luò)單次即可達到 85% 的準(zhǔn)確率，并通過多次測量快速收斂到 99% 以上的準(zhǔn)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(shù)字射頻設(shè)備可以在微秒內(nèi)完成機器學(xué)習(xí)推理，但光學(xué)設(shè)備可以在納秒甚至皮秒內(nèi)完成。

展望未來，研究人員希望采用所謂的多路復(fù)用方案，以便執(zhí)行更多計算并擴大 MAFT-ONN 的規(guī)模。他們還希望將這項工作擴展到更復(fù)雜的深度學(xué)習(xí)架構(gòu)，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(xué)院林肯實驗室、日本電報電話公司和國家科學(xué)基金會。