在当今数字化时代，随着联网设备数量的持续攀升，远程办公和云计算等应用对带宽的需求与日俱增。这使得管理有限的无线频谱资源变得愈发棘手，如何高效利用频谱以减少延迟、提升性能成为亟待解决的问题。
传统上，工程师们尝试借助人工智能来动态管理无线频谱，但大多数用于分类和处理无线信号的人工智能方法存在明显弊端，不仅耗电量大，而且难以实现实时运行。不过，麻省理工学院的研究团队为这一困境带来了新的解决方案。
新型光学处理器问世 麻省理工学院的研究人员成功开发出一款专为无线信号处理量身打造的新型人工智能硬件加速器 —— 光学处理器。该光子芯片具有卓越的性能，能够以光速执行机器学习计算，可在纳秒级的极短时间内完成对无线信号的分类。与数字方案相比，其速度提升了约 100 倍，同时信号分类的收敛准确率高达约 95%。
这款新型硬件加速器不仅速度快、准确率高，还具备可扩展性和灵活性的优势，适用于各类高性能计算应用。而且，相较于数字 AI 硬件加速器，它在体积、重量、成本和能耗方面都表现出色，更加小巧、轻便、廉价且节能。
应用前景广泛 该设备在未来的 6G 无线应用中具有重要价值，例如认知无线电技术，可通过使无线调制格式适应不断变化的无线环境来优化数据速率。此外，这款新型硬件加速器还能让边缘设备实时执行深度学习计算，为信号处理之外的众多应用提供显著的加速效果。比如，它可以助力自动驾驶汽车对环境变化做出瞬间反应，或者使智能起搏器持续监测患者的心脏健康状况。
麻省理工学院电气工程与计算机科学系教授、该论文的资深作者 Dirk Englund 表示：“许多应用可以通过能够分析无线信号的边缘设备来实现。我们在论文中提出的内容可能为实时可靠的人工智能推理开辟许多可能性。这项工作只是一项可能产生巨大影响的开端。”
创新架构设计 目前，先进的数字 AI 加速器在处理无线信号时，会将信号转换为图像并通过深度学习模型进行分类。然而，深度神经网络的计算密集型特性使其难以满足时间敏感型应用的需求。光学系统虽能利用光编码和处理数据来加速深度神经网络，且能耗更低，但在提高通用光学神经网络在信号处理中的性能以及确保设备可扩展性方面存在困难。
为解决这些问题，麻省理工学院的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 —— 乘法模拟频率变换光学神经网络（MAFT - ONN）。MAFT - ONN 通过对所有信号数据进行编码，并在无线信号数字化之前在频域内执行所有机器学习操作，有效解决了可扩展性问题。
该光学神经网络的创新设计使其能够同时执行线性和非线性运算，而深度学习恰好需要这两种运算。与其他方法不同，MAFT - ONN 每层仅需一个设备，而非为每个计算单元或 “神经元” 配备一个设备。研究人员利用光电倍增技术实现了这一高效设计，还能构建可轻松扩展、无需额外开销且可增加层数的光学神经网络。
测试结果与未来展望 在模拟测试中，MAFT - ONN 表现出色。它能够在单次测量中达到 85% 的信号分类准确率，并通过多次测量快速收敛到 99% 以上的准确率，整个过程仅需约 120 纳秒。与的数字射频设备相比，光学设备在速度上具有显著优势，能够在纳秒甚至皮秒内完成机器学习推理。
研究人员希望未来采用多路复用方案，以执行更多计算并扩大 MAFT - ONN 的规模。同时，他们还计划将这项工作拓展到更复杂的深度学习架构，如运行 Transformer 模型或大语言模型（LLM）。
