Fotonický procesor pro zjednodušení zpracování bezdrátových signálů 6G

S rostoucím počtem připojených zařízení, která vyžadují stále větší šířku pásma pro úkoly, jako je práce na dálku a cloudové výpočty, se stává extrémně náročné spravovat konečné množství dostupného bezdrátového spektra pro všechny uživatele.

Inženýři využívají umělou inteligenci k dynamické správě dostupného bezdrátového spektra s cílem snížit latenci a zvýšit výkon. Většina metod AI pro klasifikaci a zpracování bezdrátových signálů je však energeticky náročná a nemůže pracovat v reálném čase.

Výzkumníci z MIT nyní vyvinuli nový hardwarový akcelerátor AI, který je speciálně navržen pro zpracování bezdrátových signálů. Jejich optický procesor provádí výpočty strojového učení rychlostí světla a klasifikuje bezdrátové signály v řádu nanosekund.

Fotonický čip je přibližně 100krát rychlejší než nejlepší digitální alternativa a dosahuje přesnosti klasifikace signálu přibližně 95 %. Nový hardwarový akcelerátor je také škálovatelný a flexibilní, takže jej lze použít pro celou řadu aplikací s vysokým výpočetním výkonem. Současně je menší, lehčí, levnější a energeticky úspornější než digitální hardwarové akcelerátory AI.

Zařízení by mohlo být zvláště užitečné v budoucích bezdrátových aplikacích 6G, jako jsou kognitivní rádia, která optimalizují datové přenosové rychlosti přizpůsobením formátů bezdrátové modulace měnícímu se bezdrátovému prostředí.

Tím, že umožní zařízení na okraji sítě provádět výpočty hloubkového učení v reálném čase, by tento nový hardwarový akcelerátor mohl poskytnout dramatické zrychlení v mnoha aplikacích nad rámec zpracování signálu. Například by mohl pomoci autonomním vozidlům reagovat na změny prostředí v zlomku sekundy nebo umožnit chytrým kardiostimulátorům nepřetržitě monitorovat zdraví pacientova srdce.

„Existuje mnoho aplikací, které by umožnily okrajová zařízení schopná analyzovat bezdrátové signály. To, co jsme představili v našem článku, by mohlo otevřít mnoho možností pro inferenci AI v reálném čase a spolehlivě. Tato práce je začátkem něčeho, co by mohlo mít značný dopad,“ říká Dirk Englund, profesor na katedře elektrotechniky a informatiky MIT, hlavní vyšetřovatel ve skupině kvantové fotoniky a umělé inteligence a výzkumné laboratoři elektroniky (RLE) a hlavní autor článku.

K napsání článku se k němu připojil hlavní autor Ronald Davis III PhD '24; Zaijun Chen, bývalý postdoktorand MIT, který je nyní asistentem profesora na University of Southern California; a Ryan Hamerly, hostující vědec v RLE a hlavní vědec v NTT Research. Výzkum byl dnes publikován v Science Advances.

Zpracování rychlostí světla

Nejmodernější digitální akcelerátory AI pro zpracování bezdrátových signálů převádějí signál na obraz a pro jeho klasifikaci jej proženou modelem hloubkového učení. Ačkoli je tento přístup vysoce přesný, výpočetně náročná povaha hlubokých neuronových sítí znemožňuje jeho použití v mnoha časově citlivých aplikacích.

Optické systémy mohou zrychlit hluboké neuronové sítě kódováním a zpracováním dat pomocí světla, což je také méně energeticky náročné než digitální výpočty. Vědci se však snažili maximalizovat výkon univerzálních optických neuronových sítí při použití pro zpracování signálu a zároveň zajistit, aby bylo optické zařízení škálovatelné.

Vývojem architektury optické neuronové sítě speciálně pro zpracování signálu, kterou nazývají multiplikativní analogová frekvenční transformační optická neuronová síť (MAFT-ONN), se výzkumníci s tímto problémem vypořádali přímo.

MAFT-ONN řeší problém škálovatelnosti kódováním všech datových signálů a prováděním všech operací strojového učení v tzv. frekvenční doméně – před digitalizací bezdrátových signálů.

Výzkumníci navrhli svou optickou neuronovou síť tak, aby prováděla všechny lineární a nelineární operace v řadě. Oba typy operací jsou nezbytné pro hloubkové učení.

Díky tomuto inovativnímu designu potřebují pouze jedno zařízení MAFT-ONN na vrstvu pro celou optickou neuronovou síť, na rozdíl od jiných metod, které vyžadují jedno zařízení pro každou jednotlivou výpočetní jednotku, neboli „neuron“.

„Na jedno zařízení můžeme umístit 10 000 neuronů a provést potřebné násobení jedním výstřelem,“ říká Davis.

Výzkumníci toho dosahují pomocí techniky zvané fotoelektrické násobení, která dramaticky zvyšuje účinnost. Umožňuje jim také vytvořit optickou neuronovou síť, kterou lze snadno zvětšit o další vrstvy bez nutnosti dodatečných režijních nákladů.

Výsledky v nanosekundách

MAFT-ONN přijímá jako vstup bezdrátový signál, zpracovává datové signály a předává informace pro další operace, které provádí zařízení na okraji sítě. Například klasifikací modulace signálu by MAFT-ONN umožnila zařízení automaticky určit typ signálu pro extrakci dat, která nese.

Jednou z největších výzev, kterým výzkumníci čelili při navrhování MAFT-ONN, bylo určení, jak mapovat výpočty strojového učení na optický hardware.

„Nemohli jsme si jen vzít běžný rámec strojového učení z police a použít ho. Museli jsme ho přizpůsobit hardwaru a zjistit, jak využít fyziku, aby prováděl výpočty, které jsme chtěli,“ říká Davis.

Když testovali svou architekturu na klasifikaci signálu v simulacích, optická neuronová síť dosáhla 85% přesnosti jedním výstřelem, což lze rychle zvýšit na více než 99 % přesnosti pomocí více měření. MAFT-ONN potřebovala k provedení celého procesu pouze asi 120 nanosekund.

„Čím déle měříte, tím vyšší přesnosti dosáhnete. Protože MAFT-ONN provádí inference v nanosekundách, neztratíte mnoho rychlosti, abyste získali vyšší přesnost,“ dodává Davis.

Zatímco nejmodernější digitální zařízení pro rádiové frekvence mohou provádět inferenci strojového učení v mikrosekundách, optika to dokáže v nanosekundách nebo dokonce pikosekundách.

Do budoucna chtějí výzkumníci použít tzv. multiplexované schémata, aby mohli provádět více výpočtů a zvětšit MAFT-ONN. Také chtějí rozšířit svou práci na složitější architektury hloubkového učení, které by mohly spouštět transformátorové modely nebo LLMy.

Tato práce byla částečně financována Výzkumnou laboratoří armády USA, letectvem USA, laboratoří MIT Lincoln, společností Nippon Telegraph and Telephone a Národní vědeckou nadací.