Karena perangkat yang lebih terhubung menuntut peningkatan jumlah bandwidth untuk tugas -tugas seperti teleworking dan cloud computing, akan menjadi sangat menantang untuk mengelola jumlah terbatas spektrum nirkabel yang tersedia untuk dibagikan oleh semua pengguna.
Insinyur menggunakan kecerdasan buatan untuk secara dinamis mengelola spektrum nirkabel yang tersedia, dengan tujuan mengurangi latensi dan meningkatkan kinerja. Tetapi sebagian besar metode AI untuk mengklasifikasikan dan memproses sinyal nirkabel haus daya dan tidak dapat beroperasi secara real-time.
Sekarang, peneliti MIT telah mengembangkan akselerator perangkat keras AI baru yang dirancang khusus untuk pemrosesan sinyal nirkabel. Prosesor optik mereka melakukan perhitungan pembelajaran mesin dengan kecepatan cahaya, mengklasifikasikan sinyal nirkabel dalam hitungan nanoseconds.
Chip fotonik sekitar 100 kali lebih cepat dari alternatif digital terbaik, sementara konvergen menjadi sekitar 95 persen akurasi dalam klasifikasi sinyal. Akselerator perangkat keras baru juga dapat diskalakan dan fleksibel, sehingga dapat digunakan untuk berbagai aplikasi komputasi berkinerja tinggi. Pada saat yang sama, lebih kecil, lebih ringan, lebih murah, dan lebih hemat energi daripada akselerator perangkat keras AI digital.
Perangkat ini bisa sangat berguna dalam aplikasi nirkabel 6G di masa depan, seperti radio kognitif yang mengoptimalkan laju data dengan mengadaptasi format modulasi nirkabel ke lingkungan nirkabel yang berubah.
Dengan mengaktifkan perangkat tepi untuk melakukan perhitungan pembelajaran dalam secara real-time, akselerator perangkat keras baru ini dapat memberikan speedup dramatis dalam banyak aplikasi di luar pemrosesan sinyal. Misalnya, ini dapat membantu kendaraan otonom membuat reaksi sepersekian detik terhadap perubahan lingkungan atau memungkinkan alat pacu jantung pintar untuk terus memantau kesehatan jantung pasien.
“Ada banyak aplikasi yang akan diaktifkan oleh perangkat tepi yang mampu menganalisis sinyal nirkabel. Apa yang telah kami sajikan dalam makalah kami dapat membuka banyak kemungkinan untuk inferensi AI real-time dan yang dapat diandalkan. Pekerjaan ini adalah awal dari sesuatu yang bisa sangat berdampak,” kata Investigicy Investional, seorang Profesor di Departemen MIT dari Teknik Elektro dan Sains Komputer, Komputer. Elektronik (RLE), dan penulis senior makalah ini.
Dia bergabung di atas kertas oleh penulis utama Ronald Davis III PhD ’24; Zaijun Chen, mantan postdoc MIT yang sekarang menjadi asisten profesor di University of Southern California; dan Ryan Hamerly, seorang ilmuwan tamu di RLE dan ilmuwan senior di NTT Research. Penelitian ini muncul hari ini di Kemajuan Sains.
Pemrosesan kecepatan cahaya
Akselerator AI digital yang canggih untuk pemrosesan sinyal nirkabel mengubah sinyal menjadi gambar dan menjalankannya melalui model belajar yang dalam untuk mengklasifikasikannya. Meskipun pendekatan ini sangat akurat, sifat intensif secara komputasi dari jaringan saraf dalam membuatnya tidak layak untuk banyak aplikasi yang sensitif terhadap waktu.
Sistem optik dapat mempercepat jaringan saraf dalam dengan menyandikan dan memproses data menggunakan cahaya, yang juga kurang intensif energi daripada komputasi digital. Tetapi para peneliti telah berjuang untuk memaksimalkan kinerja jaringan saraf optik tujuan umum ketika digunakan untuk pemrosesan sinyal, sambil memastikan perangkat optik dapat diskalakan.
Dengan mengembangkan arsitektur jaringan saraf optik secara khusus untuk pemrosesan sinyal, yang mereka sebut frekuensi analog multiplikatif mengubah jaringan saraf optik (maft-inn), para peneliti mengatasi masalah itu secara langsung.
MAFT-ON mengatasi masalah skalabilitas dengan mengkode semua data sinyal dan melakukan semua operasi pembelajaran mesin dalam apa yang dikenal sebagai domain frekuensi-sebelum sinyal nirkabel didigitalkan.
Para peneliti merancang jaringan saraf optik mereka untuk melakukan semua operasi linier dan nonlinier. Kedua jenis operasi diperlukan untuk pembelajaran yang mendalam.
Berkat desain inovatif ini, mereka hanya membutuhkan satu perangkat Maft-On per lapisan untuk seluruh jaringan saraf optik, yang bertentangan dengan metode lain yang memerlukan satu perangkat untuk setiap unit komputasi individu, atau “neuron.”
“Kami dapat memasukkan 10.000 neuron ke satu perangkat dan menghitung multiplikasi yang diperlukan dalam satu bidikan,” kata Davis.
Para peneliti mencapai hal ini dengan menggunakan teknik yang disebut multiplikasi fotoelektrik, yang secara dramatis meningkatkan efisiensi. Ini juga memungkinkan mereka untuk membuat jaringan saraf optik yang dapat dengan mudah ditingkatkan dengan lapisan tambahan tanpa memerlukan overhead tambahan.
Hasil dalam nanodetik
Maft-Non mengambil sinyal nirkabel sebagai input, memproses data sinyal, dan meneruskan informasi untuk operasi selanjutnya yang dilakukan oleh perangkat Edge. Misalnya, dengan mengklasifikasikan modulasi sinyal, Maft-Non akan memungkinkan perangkat untuk secara otomatis menyimpulkan jenis sinyal untuk mengekstrak data yang dibawanya.
Salah satu tantangan terbesar yang dihadapi para peneliti ketika merancang Maft-On adalah menentukan cara memetakan perhitungan pembelajaran mesin ke perangkat keras optik.
“Kami tidak bisa hanya mengambil kerangka belajar mesin yang normal dari rak dan menggunakannya. Kami harus menyesuaikannya agar sesuai dengan perangkat keras dan mencari cara untuk mengeksploitasi fisika sehingga akan melakukan perhitungan yang kami inginkan,” kata Davis.
Ketika mereka menguji arsitektur mereka pada klasifikasi sinyal dalam simulasi, jaringan saraf optik mencapai akurasi 85 persen dalam satu bidikan, yang dapat dengan cepat menyatu dengan akurasi lebih dari 99 persen menggunakan beberapa pengukuran. Maft-On hanya membutuhkan sekitar 120 nanodetik untuk melakukan seluruh proses.
“Semakin lama Anda mengukur, semakin tinggi akurasi yang akan Anda dapatkan. Karena Maft-Non menghitung kesimpulan di nanodetik, Anda tidak kehilangan banyak kecepatan untuk mendapatkan lebih akurasi,” tambah Davis.
Sementara perangkat frekuensi radio digital yang canggih dapat melakukan inferensi pembelajaran mesin dalam mikrodetik, optik dapat melakukannya di nanoseconds atau bahkan picoseconds.
Ke depan, para peneliti ingin menggunakan apa yang dikenal sebagai skema multiplexing sehingga mereka dapat melakukan lebih banyak perhitungan dan meningkatkan maft-inn. Mereka juga ingin memperluas pekerjaan mereka menjadi arsitektur pembelajaran mendalam yang lebih kompleks yang dapat menjalankan model transformator atau LLM.
Pekerjaan ini didanai, sebagian, oleh Laboratorium Penelitian Angkatan Darat AS, Angkatan Udara AS, Laboratorium MIT Lincoln, Telegraph dan Telepon Nippon, dan National Science Foundation.
