摘要：这张图显示了一位艺术家对麻省理工学院研究人员开发的边缘设备的新型光学处理器的解释，该设备以光速执行机器学习计算，在几纳秒内对无线信号进行分类。图片来源：电子研究实验室 Sampson Wilcox

这张图显示了一位艺术家对麻省理工学院研究人员开发的边缘设备的新型光学处理器的解释，该设备以光速执行机器学习计算，在几纳秒内对无线信号进行分类。图片来源：电子研究实验室 Sampson Wilcox

通过使深度学习能够以光速运行，该芯片可以让边缘设备以增强的功能执行实时数据分析。

随着越来越多的互联设备需要更大的带宽来进行远程办公和云计算等活动，管理所有用户共享的有限无线频谱变得越来越困难。

为了解决这个问题，工程师们正在转向人工智能来动态管理无线频谱，旨在减少延迟并提高性能。然而，大多数用于处理和分类无线信号的 AI 技术都会消耗大量功率，并且无法实时运行。

现在，麻省理工学院的研究人员创造了一种专为无线信号处理设计的新型 AI 硬件加速器。该光学处理器以光速执行机器学习任务，在纳秒内对无线信号进行分类。

光子芯片的运行速度比最好的数字替代品快约 100 倍，并在信号分类中达到约 95% 的准确率。它还具有可扩展性和适应性，适用于各种高性能计算任务。此外，该芯片比传统的数字 AI 硬件更小、更轻、更实惠、更节能。

这项技术对于未来的 6G 无线系统可能特别有价值，例如通过根据实时条件调整无线调制格式来提高数据速率的认知无线电。

通过允许边缘设备实时执行深度学习计算，硬件加速器可以显著加快信号处理以外的一系列应用。其中包括使自动驾驶汽车能够立即响应环境变化或允许智能起搏器持续监测心脏健康。

“能够分析无线信号的边缘设备将支持许多应用程序。我们在论文中介绍的内容可以为实时可靠的 AI 推理开辟许多可能性。这项工作是可能非常有影响力的事情的开始，”麻省理工学院电气工程和计算机科学系教授、量子光子学和人工智能小组以及电子研究实验室 （RLE） 的首席研究员、该论文的资深作者 Dirk Englund 说。

与他一起发表论文的还有主要作者 Ronald Davis III PhD '24;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 的访问科学家兼 NTT Research 的高级科学家 Ryan Hamerly。该研究发表在《科学进展》上。

当前用于无线信号处理的数字 AI 加速器的工作原理是将信号转换为图像，并通过深度学习模型进行分类。尽管这种方法非常准确，但深度神经网络需要强大的计算能力，这使得该方法不适用于许多需要快速、实时响应的应用程序。

光学系统可以通过使用光对数据进行编码和处理来加速深度神经网络，而光的能耗也低于数字计算。但是，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用于信号处理时的性能，同时确保光学设备的可扩展性。

通过开发一种专门用于信号处理的光学神经网络架构，他们称之为乘法模拟频率变换光学神经网络 （MAFT-ONN），研究人员正面解决了这个问题。

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所谓的频域内执行所有机器学习作来解决可扩展性问题。

研究人员设计了他们的光学神经网络来在线执行所有线性和非线性作。深度学习需要这两种类型的作。

由于这种创新设计，整个光学神经网络每层只需要一个 MAFT-ONN 设备，而其他方法则需要为每个单独的计算单元或“神经元”配备一个设备。

“我们可以将 10,000 个神经元放到单个设备上，并在一次测试中计算必要的乘法，”Davis 说。

研究人员使用一种称为光电乘法的技术来实现这一点，该技术大大提高了效率。它还允许他们创建一个光学神经网络，该网络可以很容易地通过额外的层进行扩展，而无需额外的开销。

MAFT-ONN 将无线信号作为输入，处理信号数据，并将信息传递给边缘设备执行的后续作。例如，通过对信号的调制进行分类，MAFT-ONN 将使设备能够自动推断信号类型以提取它携带的数据。

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

“我们不能只是从货架上拿出一个普通的机器学习框架来使用它。我们必须对其进行定制以适应硬件，并弄清楚如何利用物理特性，以便它能够执行我们想要的计算，”Davis 说。

当他们在仿真中测试其架构的信号分类时，光学神经网络在一次拍摄中实现了 85% 的准确率，使用多次测量可以快速收敛到 99% 以上的准确率。MAFT-ONN 只需要大约 120 纳秒即可完成整个过程。

“测量时间越长，准确性就越高。因为 MAFT-ONN 以纳秒为单位计算推理，所以你不会因为获得更高的准确性而损失太多速度，”Davis 补充道。

最先进的数字射频设备可以在微秒内完成机器学习推理，而光学器件可以在纳秒甚至皮秒内完成。

展望未来，研究人员希望采用所谓的多路复用方案，以便他们可以执行更多计算并扩展 MAFT-ONN。他们还希望将他们的工作扩展到更复杂的深度学习架构中，这些架构可以运行 transformer 模型或 LLM。

参考资料：Ronald DavisIII、Zaijun Chen、Ryan Hamerly 和 Dirk Englund 于 2025 年 6 月 11 日发表的“具有香农极限数据移动的射频光子深度学习处理器”，《科学进展》。
DOI：10.1126/sciadv.adt3558

来源：人工智能学家