Da mehr verbundene Geräte eine zunehmende Bandbreite für Aufgaben wie Teleworking und Cloud Computing erfordern, wird es äußerst schwierig, die endliche Menge an drahtlosen Spektrum zu verwalten, die allen Benutzern zur Verfügung stehen.
Ingenieure verwenden künstliche Intelligenz, um das verfügbare drahtlose Spektrum dynamisch zu verwalten, um die Latenz zu verringern und die Leistung zu steigern. Die meisten KI-Methoden zur Klassifizierung und Verarbeitung von drahtlosen Signalen sind jedoch leistungsstark und können nicht in Echtzeit arbeiten.
Jetzt haben MIT -Forscher einen neuartigen AI -{Hardware} -Beschleuniger entwickelt, der speziell für die drahtlose Signalverarbeitung entwickelt wurde. Ihr optischer Prozessor führt maschinell-lernende Berechnungen mit Lichtgeschwindigkeit durch und klassifiziert drahtlose Signale in einer Frage von Nanosekunden.
Der photonische Chip ist etwa 100 -mal schneller als die beste digitale Different und konvergiert die Genauigkeit der Signalklassifizierung auf etwa 95 Prozent. Der neue {Hardware}-Beschleuniger ist ebenfalls skalierbar und flexibel, daher kann er für eine Vielzahl von Hochleistungs-Computeranwendungen verwendet werden. Gleichzeitig ist es kleiner, leichter, billiger und energieeffizienter als digitale KI-Hardwarebeschleuniger.
Das Gerät könnte besonders in zukünftigen 6G -drahtlosen Anwendungen nützlich sein, wie z. B. kognitive Radios, die die Datenraten optimieren, indem drahtlose Modulationsformate an die sich ändernde drahtlose Umgebung angepasst werden.
Durch das Ermöglichen eines Edge-Geräts kann dieser neue {Hardware}-Beschleuniger in vielen Anwendungen, die über die Signalverarbeitung hinausgehen, eine tiefe Lernberechnungen in Echtzeit durchführen. Beispielsweise könnte es autonome Fahrzeuge helfen, auf Umweltveränderungen zu reagieren oder intelligente Herzschrittmacher zu ermöglichen, die Gesundheit des Herzens eines Patienten kontinuierlich zu überwachen.
“There are lots of functions that will be enabled by edge units which can be able to analyzing wi-fi alerts. What we have introduced in our paper may open up many prospects for real-time and dependable AI inference. This work is the start of one thing that could possibly be fairly impactful,” says Dirk Englund, a professor within the MIT Division of Electrical Engineering and Pc Science, principal investigator within the Quantum Photonics and Synthetic Intelligence Group and the Analysis Laboratory of Elektronik (RLE) und leitender Autor des Papier.
Er wird von der Hauptautorin Ronald Davis III, PhD ’24, auf der Zeitung begleitet; Zaijun Chen, ein ehemaliger MIT Postdoc, der jetzt Assistenzprofessor an der College of Southern California ist; und Ryan Hamerly, Gastwissenschaftler bei RLE und leitender Wissenschaftler bei NTT Analysis. Die Forschung erscheint heute in Wissenschaft Fortschritte.
Lichtgeschwindigkeitsverarbeitung
Die hochmoderne digitale KI-Beschleuniger für die drahtlose Signalverarbeitung konvertieren das Sign in ein Bild und führen es durch ein tiefes Lernmodell um, um es zu klassifizieren. Obwohl dieser Ansatz sehr genau ist, macht es die rechnerisch intensive Natur von tiefen neuronalen Netzwerken für viele zeitempfindliche Anwendungen unmöglich.
Optische Systeme können tiefe neuronale Netzwerke beschleunigen, indem sie Daten mit Licht codieren und verarbeiten, was ebenfalls weniger energieintensiv ist als digitales Pc. Die Forscher haben sich jedoch bemüht, die Leistung von allgemeinen optischen neuronalen Netzwerken zu maximieren, wenn sie zur Signalverarbeitung verwendet werden, und gleichzeitig sicherzustellen, dass das optische Gerät skalierbar ist.
Durch die Entwicklung einer optischen neuronalen Netzwerkarchitektur speziell für die Signalverarbeitung, die sie als multiplikatives analoge Frequenztransformation optisches Neuralnetz (DAMFT-onn) bezeichnen, haben die Forscher dieses Drawback direkt angepasst.
Der MAFT-onn befasst sich mit dem Drawback der Skalierbarkeit, indem alle Signaldaten codiert und alle maschinellen Lernvorgänge in der sogenannten Frequenzdomäne ausgeführt werden-bevor die drahtlosen Signale digitalisiert werden.
Die Forscher haben ihr optisches neuronales Netzwerk so gestaltet, dass alle linearen und nichtlinearen Operationen inline durchgeführt werden. Beide Arten von Operationen sind für Deep Studying erforderlich.
Dank dieses innovativen Designs benötigen sie nur ein Gerät professional Schicht für das gesamte optische neuronale Netzwerk, im Gegensatz zu anderen Methoden, die ein Gerät für jede einzelne Recheneinheit oder „Neuron“ benötigen.
„Wir können 10.000 Neuronen auf ein einzelnes Gerät einfügen und die notwendigen Multiplikationen in einem einzigen Schuss berechnen“, sagt Davis.
Die Forscher erreichen dies mit einer Technik, die als photoelektrische Multiplikation bezeichnet wird und die die Effizienz drastisch steigert. Außerdem können sie ein optisches neuronales Netzwerk erstellen, das mit zusätzlichen Schichten leicht skaliert werden kann, ohne zusätzlichen Overhead zu erfordern.
Führt zu Nanosekunden
MAFT-onn nimmt ein drahtloses Sign als Eingang an, verarbeitet die Signaldaten und gibt die Informationen für spätere Operationen über, die das Edge-Gerät ausführt. Durch die Klassifizierung der Modulation eines Indicators würde ein Gerät beispielsweise die Artwork des Indicators automatisch zum Extrahieren der von ihm übertragenen Daten ermöglichen.
Eine der größten Herausforderungen, denen sich die Forscher beim Entwerfen von MAFT-onn gegenübersehen, bestand darin, zu bestimmen, wie die Berechnungen für maschinelles Lernen auf die optische {Hardware} abbilden können.
„Wir konnten nicht einfach ein normales maschinelles Lerngerüst aus dem Regal nehmen und es verwenden. Wir mussten es an die {Hardware} anpassen und herausfinden, wie die Physik ausnutzt, damit die Berechnungen, die wir wollten, durchführen“, sagt Davis.
Als sie ihre Architektur auf Signalklassifizierung in Simulationen testeten, erreichte das optische neuronale Netzwerk in einem einzigen Schuss eine Genauigkeit von 85 Prozent, was mit mehreren Messungen schnell zu mehr als 99 Prozent der Genauigkeit konvergieren kann. MAFT-onn benötigten nur etwa 120 Nanosekunden, um den gesamten Prozess durchzuführen.
„Je länger Sie messen, desto höherer Genauigkeit erhalten Sie. Da MAFT-onn in Nanosekunden Schlussfolgerungen berechnet, verlieren Sie nicht viel Geschwindigkeit, um mehr Genauigkeit zu gewinnen“, fügt Davis hinzu.
Während hochmoderne digitale Funkfrequenzgeräte in Mikrosekunden maschinell-lernende Inferenz durchführen können, kann die Optik dies in Nanosekunden oder sogar in Pikosekunden tun.
In Zukunft möchten die Forscher so genannte Multiplexing-Schemata anwenden, damit sie mehr Berechnungen durchführen und den MAFT-onn skalieren können. Sie möchten ihre Arbeit auch in komplexere tiefgreifende Architekturen ausdehnen, die Transformatormodelle oder LLMs ausführen könnten.
Diese Arbeit wurde teilweise vom US -Armee -Forschungslabor, der US Air Power, dem MIT Lincoln Laboratory, dem Nippon Telegraph and Cellphone und der Nationwide Science Basis finanziert.