详情

跟着费力办公、等利用场景对带宽需求的激增，联网设置激增使得有限的无线频谱资源分派濒临巨大挑战。

东谈主工智能（AI）正在深远变革包括射频信号处理与先进通讯在内的繁密范围。AI 技艺能有用处理日益复杂的频谱环境，同期骄气无线数据传输速率握续攀升的需求。基于 AI 的信号处理技艺将赋能 6G 等新一代通讯系统，使融会无线电、信号及动态资源分派等重要能力得以已毕。

但现存大无数无线信号分类处理的东谈主工智能次序不仅功耗高，还难以已毕及时运算。

近日，麻省理工学院的辩论团队开荒出了一款特意为无线信号处理蓄意的新式 AI 硬件加快器。有关著作以题为“RF-photonic deep learning processor with Shannon-limited data movement”发表在Science Advanced期刊。

这款光学处理器能以光速本质机器学习运算，能在纳秒级时候内对无线信号进行分类。

相较于顶尖的数字处理器，这款光子芯片的处理速率升迁约 100 倍，同期保握 95% 的信号分类准确率。该硬件加快器兼具可推广性与活泼性，可适配多种高性能测度场景，且在体积、分量、本钱及能效方面均优于数字AI加快器。

这项技艺尤其适用于将来 6G 利用场景，举例能凭证无线环境动态休养调制方式以优化数据传输速率的融会无线电。辩论团队指出，该设置使边际设置具备及时深度学习能力，其利用出路远超信号处理范围。举例可助力自动驾驶汽车对环境变化作念出毫秒级反应，或使智能起搏器已毕握续心电监测。

光速处理

现时，起先进的无线信号处理数字 AI 加快器需将信号调遣为图像后，通过深度学习模子进行分类。天然这种次序精度极高，但深度神经网罗精深的测度量使其难以骄气诸多时效明锐型利用的需求。

光学系统通过光波编码和处理数据，不仅能加快深度神经网罗运算，其能耗也远低于数字测度。但历久以来，辩论东谈主员在确保光学器件可推广性的同期，恒久难以最大化通用光学神经网罗在信号处理中的性能阐发。

该辩论团队通过开荒专为信号处理蓄意的立异架构——乘性模拟频率变换光学神经网罗（MAFT-ONN），得胜攻克了这一勤奋。该决策通过在无线信号数字化之前的频域内完成通盘信号数据编码及机器学习运算，从根底上贬责了系统推广性问题。

辩论团队蓄意的该光学神经网罗可原位本质通盘线性和非线性运算（深度学习必需的两类运算）。收成于这一立异架构，通盘这个词光学神经网罗每层仅需单个 MAFT-ONN 器件，而传统决策每个测度单位（即“神经元”）王人需稳固器件撑握。

“咱们能在单个器件上集成 10,000 个神经元，并一次性完成通盘必要乘法运算。”第一作家 Ronald Davis 阐发谈。这一蹂躏通过光电倍增技艺已毕，该技艺不仅权臣升迁能效，还使光学神经网罗可通过加多层级径直推广，无需稀奇支出。

纳秒级后果

MAFT-ONN 系统的责任经由分为三个重要阶段：最初领受原始无线信号输入，随后在光学域完成及时信号处理，最终将处理法例传输至边际设置进行后续操作。以信号调制识别为例，该系统能已毕信号类型的自主判断，为后续数据解码提供重要参数支握。

辩论东谈主员在蓄意 MAFT-ONN 时濒临的最大挑战之一是怎样将机器学习测度映射到光学硬件上。Davis 指出：“现存机器学习框架无法径直适配咱们的光学处理器，必须重新构建硬件感知的测度架构，通过用心蓄意的物理效应来已毕特定测度功能。”

当他们在仿真中对信号分类测试该架构时，光学神经网罗单次运算达到了 85% 的准确率，通过屡次测量不错快速管理至 99% 以上的准确率，MAFT-ONN 完成通盘这个词处理过程仅需约 120 纳秒。

“测量时候越长，得回的准确率就越高。由于 MAFT-ONN 在纳秒级完成推理，你不需要糟跶太多速率就能得回更高的准确率。”Davis 补充谈。

当今，起先进的数字射频设置不错在微秒级完成机器学习推理，而光学系统不错在纳秒甚而皮秒级完成。

瞻望将来，辩论东谈主员但愿弃取所谓的多路复用决策，以本质更多测度并推广 MAFT-ONN。他们还但愿将责任推广到更复杂的深度学习架构，大致脱手 Transformer 模子或 LLM。

https://news.mit.edu/2025/photonic-processor-could-streamline-6g-wireless-signal-processing-0611