光子处理器革新6G无线信号处理技术

随着联网设备对带宽需求的激增，无线频谱资源管理面临巨大挑战。工程师们正利用人工智能动态管理无线频谱，以降低延迟并提升性能，但现有AI方法存在功耗高、无法实时运算的局限。

某机构研究人员最新开发出专用于无线信号处理的AI硬件加速器。这种光学处理器以光速执行机器学习计算，可在纳秒内完成无线信号分类。该光子芯片速度比最佳数字方案快约100倍，信号分类准确率可达95%，同时具备可扩展性和灵活性，适用于多种高性能计算场景。相比数字AI硬件加速器，其体积更小、重量更轻、成本更低且能效更高。

该技术特别适用于未来6G应用，例如通过自适应调制格式优化数据速率的认知无线电系统。通过实现边缘设备的实时深度学习计算，该加速器可在信号处理之外的多个领域带来显著速度提升，例如帮助自动驾驶车辆对环境变化做出瞬间反应，或使智能起搏器持续监测患者心脏状态。

光速处理的技术突破

研究团队开发出名为"乘性模拟频率变换光学神经网络（MAFT-ONN）“的专用架构。该技术通过在频率域内编码所有信号数据并执行机器学习操作，有效解决了可扩展性问题。创新性地在线性执行所有线性和非线性操作，仅需单个设备即可实现整个神经网络层，而其他方法需要为每个计算单元单独配备设备。

研究人员采用光电倍增技术大幅提升效率，使单个设备可容纳10,000个神经元并一次性完成必要乘法运算。这种设计允许通过增加层数轻松扩展网络规模，无需额外开销。

纳秒级成果展示

MAFT-ONN接收无线信号输入，处理信号数据后传递信息供后续操作。测试显示，该光学神经网络单次测量即可达到85%准确率，通过多次测量可快速收敛至99%以上准确率，整个过程仅需约120纳秒。虽然现有数字射频设备可在微秒级完成机器学习推理，但光学方案可实现纳秒甚至皮秒级运算。

研究团队下一步计划采用复用方案执行更多计算并扩展MAFT-ONN规模，同时将工作延伸至更复杂的深度学习架构，以运行Transformer模型或大型语言模型。

本研究得到美国陆军研究实验室、美国空军、某实验室、某机构及国家科学基金会的部分资助。