盖世汽车讯 跟着越来越多的互联缔造对带宽的需求不休增多，用于良友办公和云狡计等任务，管理所灵验户分享的有限无线频谱将变得极具挑战性。

工程师们正在讹诈东说念主工智能动态管理可用的无线频谱，以期裁减延伸并进步性能。但大无数用于分类和处理无线信号的东说念主工智能门径王人疏淡耗电，而且无法及时运转。

图片开头：麻省理工学院

据外媒报说念，麻省理工学院（MIT）的量度东说念主员开采出一种专为无线信号处理而假想的新式东说念主工智能硬件加快器。新光学处理器大约以光速执行机器学习狡计，在纳秒级时刻内对无线信号进行分类。干系量度论文发表在期刊《Science Advances》。

这款光子芯片的速率比现在最佳的数字芯片快约100倍，同期信号分类的管束准确率达到约95%。这款新式硬件加快器还具有可膨胀性和生动性，因此不错用于各式高性能狡计应用。同期，它比数字东说念主工智能硬件加快器更小、更轻、更低廉、更节能。

该缔造在昔日的6G无线应用中可能尤其灵验，举例通过赞成无线调制面貌以妥当不休变化的无线环境来优化数据速率的理解无线电。

通过使角落缔造大约及时执行深度学习狡计，这款新式硬件加快器不错在信号处理除外的好多应用中提供显耀的加快。举例，它不错匡助自动驾驶汽车对环境变化作念出一忽儿反映，或使智能起搏器大约捏续监测患者的腹黑健康情状。

“大约分析无线信号的角落缔造将助力罢了诸多应用。咱们在论文中提议的不雅点可能为及时可靠的东说念主工智能推理开辟诸多可能性。这项职责开启了一项可能影响深切的奇迹。”麻省理工学院电气工程与狡计机科学系评释、量子光子学与东说念主工智能小组及电子量度实验室（RLE）首席量度员、论文资深作家Dirk Englund说说念。

与他一同参与论文量度的还有：第一作家Ronald Davis III博士；前麻省理工学院博士后、现任南加州大学助理评释的Zaijun Chen；以及RLE访谒学者、NTT Research资深科学家Ryan Hamerly。

光速处理

用于无线信号处理的先进数字东说念主工智能加快器将信号鬈曲为图像，并通过深度学习模子进行分类。诚然这种门径精度高，但深度神经聚积的狡计密集型特质使其不适用于好多时刻敏锐的应用。

光学系统不错通过讹诈光来编码和处理数据来加快深度神经聚积，而且其能耗也低于数字狡计。然而，量度东说念主员一直在辛苦最大为止地提高通用光学神经聚积在信号处理中的性能，同期确保光学缔造的可膨胀性。

量度东说念主员开采了一种专诚用于信号处理的光学神经聚积架构，并将其定名为乘法模拟频率变换光学神经聚积（MAFT-ONN），从而正面管理了这一问题。

MAFT-ONN通过对所有信号数据进行编码，并在频域（即无线信号数字化之前）执行所有机器学习操作来管理可膨胀性问题。

量度东说念主员假想的光学神经聚积大约同期执行所有线性和非线性运算。这两种类型的运算王人是深度学习所必需的。

收货于这种立异假想，量度东说念主员只需为所有这个词光学神经聚积每层配备一个MAFT-ONN缔造，而其他门径则需要为每个狡计单元（或“神经元”）配备一个缔造。

“咱们不错将10,000个神经元安设到单个缔造上，并一次性完成必要的乘法狡计，”Davis说说念。

量度东说念主员使用一种名为光电倍增的技能罢了了这一成见，这显耀提高了效劳。此外，该技能还使他们大约创建一个易于膨胀的光学神经聚积，无需特殊支出即可添加更多层。

纳秒级结果

MAFT-ONN以无线信号算作输入，处理信号数据，并将信息传递给角落缔造执行后续操作。举例，通过对信号的调制方式进行分类，MAFT-ONN不错使缔造自动忖度信号类型，从而索求其佩戴的数据。

量度东说念主员在假想MAFT-ONN时濒临的最大挑战之一是何如将机器学习狡计映射到光学硬件上。

“咱们不成告成使用现成的粗拙机器学习框架。咱们必须对其进行定制，使其妥当硬件，并弄明晰何如讹诈物理旨趣，使其大约执行咱们念念要的狡计，”Davis说说念。

当他们在仿真中测试该架构的信号分类时，该光学神经聚积单次测试的准确率达到了85%，而况不错通过屡次测量快速管束到99% 以上的准确率。MAFT-ONN仅需大致120纳秒即可完成所有这个词流程。

“测量时刻越长，精度就越高。由于MAFT-ONN的推理狡计速率以纳秒为单元，因此无需断送太多速率即可赢得更高的精度，”Davis补充说念。

源流进的数字射频缔造不错在微秒级完成机器学习推理，而光学技能则不错在纳秒以至皮秒级完成。

预测昔日kaiyun体育网页版登录，量度东说念主员但愿接管所谓的多路复用有野心，以便执行更多狡计并膨胀MAFT-ONN。他们还但愿将量度效果膨胀到更复杂的深度学习架构，以运转Transformer模子或LLM。