炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（來源：MIT News）

隨着遠程辦公、雲計算等應用場景對帶寬需求的激增，聯網設備激增使得有限的無線頻譜資源分配面臨巨大挑戰。

人工智能（AI）正在深刻變革包括射頻信號處理與先進通信在內的衆多領域。AI 技術能有效處理日益複雜的頻譜環境，同時滿足無線數據傳輸速率持續攀升的需求。基於 AI 的信號處理技術將賦能 6G 等新一代通信系統，使認知無線電、信號指紋識別及動態資源分配等關鍵能力得以實現。

但現有大多數無線信號分類處理的人工智能方法不僅功耗高，還難以實現實時運算。

近日，麻省理工學院的研究團隊開發出了一款專門爲無線信號處理設計的新型 AI 硬件加速器。相關文章以題爲“RF-photonic deep learning processor with Shannon-limited data movement”發表在Science Advanced期刊。

這款光學處理器能以光速執行機器學習運算，能在納秒級時間內對無線信號進行分類。

相較於頂尖的數字處理器，這款光子芯片的處理速度提升約 100 倍，同時保持 95% 的信號分類準確率。該硬件加速器兼具可擴展性與靈活性，可適配多種高性能計算場景，且在體積、重量、成本及能效方面均優於數字AI加速器。

這項技術尤其適用於未來 6G 應用場景，例如能根據無線環境動態調整調製格式以優化數據傳輸速率的認知無線電。研究團隊指出，該設備使邊緣設備具備實時深度學習能力，其應用前景遠超信號處理領域。例如可助力自動駕駛汽車對環境變化做出毫秒級響應，或使智能起搏器實現持續心電監測。

光速處理

當前，最先進的無線信號處理數字 AI 加速器需將信號轉換爲圖像後，通過深度學習模型進行分類。雖然這種方法精度極高，但深度神經網絡龐大的計算量使其難以滿足諸多時效敏感型應用的需求。

光學系統通過光波編碼和處理數據，不僅能加速深度神經網絡運算，其能耗也遠低於數字計算。但長期以來，研究人員在確保光學器件可擴展性的同時，始終難以最大化通用光學神經網絡在信號處理中的性能表現。

該研究團隊通過開發專爲信號處理設計的創新架構——乘性模擬頻率變換光學神經網絡（MAFT-ONN），成功攻克了這一難題。該方案通過在無線信號數字化之前的頻域內完成所有信號數據編碼及機器學習運算，從根本上解決了系統擴展性問題。

圖 | MAFT-ONN 架構

研究團隊設計的該光學神經網絡可原位執行所有線性和非線性運算（深度學習必需的兩類運算）。得益於這一創新架構，整個光學神經網絡每層僅需單個 MAFT-ONN 器件，而傳統方案每個計算單元（即“神經元”）都需獨立器件支撐。

“我們能在單個器件上集成 10,000 個神經元，並一次性完成所有必要乘法運算。”第一作者 Ronald Davis 解釋道。這一突破通過光電倍增技術實現，該技術不僅顯著提升能效，還使光學神經網絡可通過增加層級直接擴展，無需額外開銷。

納秒級成果

MAFT-ONN 系統的工作流程分爲三個關鍵階段：首先接收原始無線信號輸入，隨後在光學域完成實時信號處理，最終將處理結果傳輸至邊緣設備進行後續操作。以信號調製識別爲例，該系統能實現信號類型的自主判斷，爲後續數據解碼提供關鍵參數支持。

圖 | MAFT-ONN 實驗演示

研究人員在設計 MAFT-ONN 時面臨的最大挑戰之一是如何將機器學習計算映射到光學硬件上。Davis 指出：“現有機器學習框架無法直接適配我們的光學處理器，必須從頭構建硬件感知的計算架構，通過精心設計的物理效應來實現特定計算功能。”

當他們在仿真中對信號分類測試該架構時，光學神經網絡單次運算達到了 85% 的準確率，通過多次測量可以快速收斂至 99% 以上的準確率，MAFT-ONN 完成整個處理過程僅需約 120 納秒。

“測量時間越長，獲得的準確率就越高。由於 MAFT-ONN 在納秒級完成推理，你不需要犧牲太多速度就能獲得更高的準確率。”Davis 補充道。

目前，最先進的數字射頻設備可以在微秒級完成機器學習推理，而光學系統可以在納秒甚至皮秒級完成。

展望未來，研究人員希望採用所謂的多路複用方案，以執行更多計算並擴展 MAFT-ONN。他們還希望將工作擴展到更復雜的深度學習架構，能夠運行 Transformer 模型或 LLM。

https://news.mit.edu/2025/photonic-processor-could-streamline-6g-wireless-signal-processing-0611

海量資訊、精準解讀，盡在新浪財經APP