Επαναστατικός φωτονικός επεξεργαστής για 6G

Η αυξανόμενη ανάγκη για ασύρματο φάσμα

Με την ολοένα και αυξανόμενη ζήτηση για συνδεδεμένες συσκευές που απαιτούν περισσότερη χωρητικότητα για εργασίες όπως η τηλεργασία και το cloud computing, η διαχείριση του περιορισμένου ασύρματου φάσματος γίνεται μια τεράστια πρόκληση. Οι μηχανικοί στρέφονται στη χρήση της τεχνητής νοημοσύνης για να διαχειριστούν δυναμικά το διαθέσιμο φάσμα, με στόχο τη μείωση της καθυστέρησης και την αύξηση της απόδοσης. Ωστόσο, οι περισσότερες μέθοδοι AI για την ταξινόμηση και επεξεργασία ασύρματων σημάτων είναι ενεργοβόρες και δεν μπορούν να λειτουργήσουν σε πραγματικό χρόνο.

Η καινοτομία του MIT στον φωτονικό επεξεργαστή

Ερευνητές από το MIT ανέπτυξαν έναν πρωτοποριακό επιταχυντή AI ειδικά σχεδιασμένο για την επεξεργασία ασύρματων σημάτων. Ο φωτονικός επεξεργαστής τους εκτελεί υπολογισμούς μηχανικής μάθησης με την ταχύτητα του φωτός, ταξινομώντας ασύρματα σήματα μέσα σε νανοδευτερόλεπτα. Αυτός ο φωτονικός επεξεργαστής είναι περίπου 100 φορές ταχύτερος από τις καλύτερες ψηφιακές εναλλακτικές λύσεις, φτάνοντας περίπου το 95% ακρίβεια στην ταξινόμηση σημάτων.

Εφαρμογές και πλεονεκτήματα του νέου επιταχυντή

Η νέα αυτή συσκευή μπορεί να είναι ιδιαίτερα χρήσιμη σε μελλοντικές εφαρμογές 6G, όπως οι γνωστικοί ραδιοπομποί που βελτιστοποιούν τις ταχύτητες δεδομένων προσαρμόζοντας τις μορφές διαμόρφωσης στις αλλαγές του ασύρματου περιβάλλοντος. Επιπλέον, επιτρέποντας σε μια συσκευή άκρης να εκτελεί υπολογισμούς βαθιάς μάθησης σε πραγματικό χρόνο, ο επιταχυντής αυτός μπορεί να προσφέρει δραματικές επιταχύνσεις σε πολλές εφαρμογές πέρα από την επεξεργασία σημάτων.

Η δύναμη της φωτονικής τεχνολογίας

Η φωτονική τεχνολογία επιτρέπει την επιτάχυνση των βαθιών νευρωνικών δικτύων με τη χρήση του φωτός για την κωδικοποίηση και επεξεργασία δεδομένων, γεγονός που είναι λιγότερο ενεργοβόρο σε σύγκριση με την ψηφιακή υπολογιστική. Ωστόσο, οι ερευνητές αντιμετώπισαν προκλήσεις στην επίτευξη της μέγιστης απόδοσης των γενικών οπτικών νευρωνικών δικτύων όταν χρησιμοποιούνται για την επεξεργασία σημάτων.

Η αρχιτεκτονική MAFT-ONN

Για να αντιμετωπίσουν αυτό το πρόβλημα, οι ερευνητές ανέπτυξαν μια αρχιτεκτονική οπτικού νευρωνικού δικτύου ειδικά για την επεξεργασία σημάτων, την οποία ονομάζουν MAFT-ONN (Multiplicative Analog Frequency Transform Optical Neural Network). Το MAFT-ONN επιλύει το πρόβλημα της κλιμακωσιμότητας κωδικοποιώντας όλα τα δεδομένα σημάτων και εκτελώντας όλες τις λειτουργίες μηχανικής μάθησης στο πεδίο της συχνότητας.

Αποτελέσματα σε νανοδευτερόλεπτα

Το MAFT-ONN λαμβάνει ένα ασύρματο σήμα ως είσοδο, επεξεργάζεται τα δεδομένα του σήματος και μεταβιβάζει τις πληροφορίες για περαιτέρω λειτουργίες που εκτελεί η συσκευή άκρης. Όταν δοκίμασαν την αρχιτεκτονική τους σε προσομοιώσεις για την ταξινόμηση σημάτων, το οπτικό νευρωνικό δίκτυο πέτυχε 85% ακρίβεια σε μία μόνο μέτρηση, η οποία μπορεί γρήγορα να συγκλίνει σε πάνω από 99% ακρίβεια με πολλαπλές μετρήσεις.

Μελλοντικές προοπτικές

Οι ερευνητές επιθυμούν να εφαρμόσουν σχήματα πολυπλεξίας για να εκτελέσουν περισσότερους υπολογισμούς και να κλιμακώσουν το MAFT-ONN. Επίσης, σκοπεύουν να επεκτείνουν το έργο τους σε πιο σύνθετες αρχιτεκτονικές βαθιάς μάθησης που θα μπορούσαν να εκτελούν μοντέλα μετασχηματιστών ή LLMs.

Η εργασία αυτή χρηματοδοτήθηκε εν μέρει από το Ερευνητικό Εργαστήριο του Στρατού των ΗΠΑ, την Πολεμική Αεροπορία των ΗΠΑ, το Εργαστήριο Lincoln του MIT, την Nippon Telegraph and Telephone και το National Science Foundation.