Fotoniprosessori voisi virtaviivaistaa 6Gn signaalinkäsittelyn

Koska yhä useammat verkottuneet laitteet vaativat yhä enemmän kaistanleveyttä esimerkiksi etätyöskentelyyn ja pilvipalveluihin, kaikkien käyttäjien jaettavaksi käytettävissä olevan rajallisen langattoman taajuuden hallinta tulee olemaan äärimmäisen haastavaa.

MIT:n tutkijat ovat nyt kehittäneet uuden, vähemmän energiaa kuluttavan ja reaaliaikaisen tekoälyisen laitteistokiihdyttimen, joka on erityisesti suunniteltu langattomaan signaalinkäsittelyyn. Heidän optinen prosessorinsa suorittaa koneoppimislaskelmia valon nopeudella ja luokittelee langattomat signaalit nanosekunneissa.

Fotonisiru on noin 100 kertaa nopeampi kuin paras digitaalinen vaihtoehto, ja sen signaalinluokittelutarkkuus on noin 95 prosenttia. Uusi laitteistokiihdytin on myös skaalautuva ja joustava, joten sitä voitaisiin käyttää useissa suurteholaskentasovelluksissa. Samalla se on pienempi, kevyempi, halvempi ja energiatehokkaampi kuin digitaaliset tekoälylaitteistokiihdyttimet.

Laite voisi olla erityisen hyödyllinen tulevaisuuden langattomissa 6G-sovelluksissa, kuten kognitiivisissa radioissa, jotka optimoivat tiedonsiirtonopeuksia mukauttamalla langattomia modulaatiomuotoja muuttuvaan langattomaan ympäristöön.

Mahdollistamalla reunalaitteelle syväoppimislaskennan suorittamisen reaaliajassa, tämä uusi laitteistokiihdytin voisi tarjota dramaattisia nopeutuksia monissa sovelluksissa signaalinkäsittelyn lisäksi.

”Langattomia signaaleja analysoivat reunalaitteet mahdollistaisivat monia sovelluksia. Artikkelissamme esittelemämme seikka voisi avata monia mahdollisuuksia reaaliaikaiseen ja luotettavaan tekoälyn päättelyyn. Tämä työ on alkua jollekin, jolla voi olla varsin paljon vaikutusta”, sanoo professori Dirk Englund.

Nyt kehitetyt digitaaliset tekoälykiihdyttimet langattomaan signaalinkäsittelyyn muuntavat signaalin kuvaksi ja ajavat sen syväoppimismallin läpi luokitellakseen sen. Vaikka tämä lähestymistapa on erittäin tarkka, syvien neuroverkkojen laskennallinen intensiteetti tekee siitä mahdottoman monille aikaherkille sovelluksille.

Optiset järjestelmät voivat kiihdyttää syviä neuroverkkoja koodaamalla ja käsittelemällä dataa valon avulla, mikä on myös vähemmän energiaintensiivistä kuin digitaalinen laskenta. Tutkijoilla on kuitenkin ollut vaikeuksia maksimoida yleiskäyttöisten optisten neuroverkkojen suorituskykyä signaalinkäsittelyssä varmistaen samalla, että optinen laite on skaalautuva.

Kehittämällä erityisesti signaalinkäsittelyä varten optisen neuroverkon arkkitehtuurin, jota he kutsuvat multiplikatiiviseksi analogiseksi taajuusmuunnosoptiseksi neuroverkoksi (MAFT-ONN), tutkijat tarttuivat tähän ongelmaan suoraan.

MAFT-ONN ratkaisee skaalautuvuusongelman koodaamalla kaikki signaalitiedot ja suorittamalla kaikki koneoppimisoperaatiot taajuusalueella – ennen kuin langattomat signaalit digitalisoidaan.

Tutkijat suunnittelivat optisen neuroverkkonsa suorittamaan kaikki lineaariset ja epälineaariset operaatiot reaaliajassa. Molempia operaatiotyyppejä tarvitaan syväoppimiseen.

Tämän innovatiivisen suunnittelun ansiosta he tarvitsevat vain yhden MAFT-ONN-laitteen kerrosta kohden koko optista neuroverkkoa varten, toisin kuin muut menetelmät, jotka vaativat yhden laitteen kutakin yksittäistä laskentayksikköä eli "neuronia" kohden.

"Tutkijat voivat sovittaa 10 000 neuronia yhdelle laitteelle ja laskea tarvittavat kertolaskut yhdellä kertaa. He saavuttavat tämän käyttämällä fotoelektristä kertolaskua, joka parantaa merkittävästi tehokkuutta. Se mahdollistaa myös optisen neuroverkon luomisen, jota voidaan helposti skaalata lisäkerroksilla ilman lisäkustannuksia.

Tutkimus: RF-photonic deep learning processor with Shannon-limited data movement

Aiheesta aiemmin:

Kolmas ulottuvuus langattoman prosessoinnille

Semanttista viestintää ja tunteiden analysointia

Metapinnoilla kohti 6G:tä