23.7 C
Colombia
domingo, julio 6, 2025

El procesador fotónico podría optimizar el procesamiento de señal inalámbrica 6G | MIT Information



A medida que los dispositivos más conectados exigen una cantidad cada vez mayor de ancho de banda para tareas como la teletrabajo y la computación en la nube, será extremadamente difícil administrar la cantidad finita de espectro inalámbrico disponible para que todos los usuarios compartan.

Los ingenieros están empleando inteligencia synthetic para administrar dinámicamente el espectro inalámbrico disponible, con el ojo de reducir la latencia y aumentar el rendimiento. Pero la mayoría de los métodos de inteligencia synthetic para clasificar y procesar señales inalámbricas tienen energía y no pueden operar en tiempo actual.

Ahora, los investigadores del MIT han desarrollado un nuevo acelerador de {hardware} de IA que está específicamente diseñado para el procesamiento de señales inalámbricas. Su procesador óptico realiza cálculos de aprendizaje automático a la velocidad de la luz, clasificando las señales inalámbricas en una cuestión de nanosegundos.

El chip fotónico es aproximadamente 100 veces más rápido que la mejor alternativa digital, al tiempo que converge a aproximadamente un 95 por ciento de precisión en la clasificación de señales. El nuevo acelerador de {hardware} también es escalable y versatile, por lo que podría usarse para una variedad de aplicaciones informáticas de alto rendimiento. Al mismo tiempo, es más pequeño, más ligero, más barato y más eficiente en la energía que los aceleradores de {hardware} de IA digital.

El dispositivo podría ser especialmente útil en futuras aplicaciones inalámbricas 6G, como radios cognitivos que optimizan las velocidades de datos al adaptar los formatos de modulación inalámbrica al entorno inalámbrico cambiante.

Al permitir que un dispositivo de borde realice cálculos de aprendizaje profundo en tiempo actual, este nuevo acelerador de {hardware} podría proporcionar aceleras dramáticas en muchas aplicaciones más allá del procesamiento de señales. Por ejemplo, podría ayudar a los vehículos autónomos a hacer reacciones de segundo segundo a los cambios ambientales o permitir que los marcapasos inteligentes monitoreen continuamente la salud del corazón de un paciente.

“There are lots of functions that might be enabled by edge units which can be able to analyzing wi-fi indicators. What we have offered in our paper might open up many potentialities 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 Electronics (RLE), y autor principal de la papel.

Se le une al periódico el autor principal Ronald Davis III PhD ’24; Zaijun Chen, ex postdoc de MIT que ahora es profesor asistente en la Universidad del Sur de California; y Ryan Hamerly, un científico visitante de RLE y científico principal de NTT Analysis. La investigación aparece hoy en Avances científicos.

Procesamiento de velocidad de luz

Los aceleradores de IA digitales de última generación para el procesamiento de señal inalámbrica convierten la señal en una imagen y la ejecutan a través de un modelo de aprendizaje profundo para clasificarla. Si bien este enfoque es altamente preciso, la naturaleza computacionalmente intensiva de las redes neuronales profundas lo hace inviable para muchas aplicaciones sensibles al tiempo.

Los sistemas ópticos pueden acelerar las redes neuronales profundas codificando y procesando datos utilizando la luz, que también es menos intensiva en energía que la informática digital. Pero los investigadores han luchado por maximizar el rendimiento de las redes neuronales ópticas de uso normal cuando se usan para el procesamiento de la señal, al tiempo que garantiza que el dispositivo óptico sea escalable.

Al desarrollar una arquitectura de purple neuronal óptica específicamente para el procesamiento de señales, que llaman una purple neuronal óptica de transformación de frecuencia analógica multiplicativa (MAFT-ONN), los investigadores abordaron ese problema de frente.

El MAFT-ONN aborda el problema de la escalabilidad al codificar todos los datos de la señal y realizar todas las operaciones de aprendizaje automático dentro de lo que se conoce como dominio de frecuencia, antes de que las señales inalámbricas se digitalizan.

Los investigadores diseñaron su purple neuronal óptica para realizar todas las operaciones lineales y no lineales en línea. Se requieren ambos tipos de operaciones para el aprendizaje profundo.

Gracias a este diseño innovador, solo necesitan un dispositivo Maft-ONN por capa para toda la purple neuronal óptica, en oposición a otros métodos que requieren un dispositivo para cada unidad computacional particular person o “neurona”.

“Podemos colocar 10,000 neuronas en un solo dispositivo y calcular las multiplicaciones necesarias en una sola toma”, cube Davis.

Los investigadores logran esto utilizando una técnica llamada multiplicación fotoeléctrica, que aumenta drásticamente la eficiencia. También les permite crear una purple neuronal óptica que se pueda ampliar fácilmente con capas adicionales sin requerir una sobrecarga adicional.

Resultados en nanosegundos

MAFT-ONN toma una señal inalámbrica como entrada, procesa los datos de la señal y pasa la información para operaciones posteriores, el dispositivo Edge realiza. Por ejemplo, al clasificar la modulación de una señal, MAFT-ONN permitiría que un dispositivo infiera automáticamente el tipo de señal para extraer los datos que lleva.

Uno de los mayores desafíos que enfrentaron los investigadores al diseñar MAFT-ONN fue determinar cómo asignar los cálculos de aprendizaje automático al {hardware} óptico.

“No pudimos simplemente sacar un marco de aprendizaje automático regular del estante y usarlo. Tuvimos que personalizarlo para que se ajuste al {hardware} y descubrir cómo explotar la física para que realizara los cálculos que queríamos”, cube Davis.

Cuando probaron su arquitectura sobre la clasificación de la señal en las simulaciones, la purple neuronal óptica alcanzó una precisión del 85 por ciento en una sola toma, lo que puede converger rápidamente a más del 99 por ciento de precisión utilizando múltiples mediciones. MAFT-ONN solo requirió alrededor de 120 nanosegundos para realizar todo el proceso.

“Cuanto más tiempo mida, mayor precisión obtendrá. Debido a que Maft-Onn calcula las inferencias en nanosegundos, no pierde mucha velocidad para obtener más precisión”, agrega Davis.

Mientras que los dispositivos de radiofrecuencia digital de última generación pueden realizar una inferencia de aprendizaje automático en microsegundos, la óptica puede hacerlo en nanosegundos o incluso en picosegundos.

En el futuro, los investigadores quieren emplear lo que se conoce como esquemas de multiplexación para que puedan realizar más cálculos y ampliar el MAFT-ONN. También quieren extender su trabajo a arquitecturas de aprendizaje profundo más complejos que podrían ejecutar modelos de transformadores o LLM.

Este trabajo fue financiado, en parte, por el Laboratorio de Investigación del Ejército de los EE. UU., La Fuerza Aérea de los Estados Unidos, el Laboratorio MIT Lincoln, Nippon Telegraph and Phone, y la Nationwide Science Basis.

Related Articles

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Latest Articles