Die explosionsartige Zunahme vernetzter Geräte und unsere tägliche Abhängigkeit von reibungslosen, unterbrechungsfreien drahtlosen Verbindungen haben die drahtlose Bandbreite in den Mittelpunkt des Interesses gerückt. Jeden Tag stützt sich alles – von Smart Cities über Remote-Arbeit bis hin zum Cloud-Computing – auf diese unsichtbaren Netzwerke. Doch es gibt einen Haken: Das Funkfrequenzspektrum, dieses unverzichtbare Rückgrat, ist begrenzt. Seine effiziente Verwaltung war noch nie so kompliziert – und noch nie so wichtig.
Um mit dem Ansturm Schritt zu halten, haben sich die Ingenieure der künstlichen Intelligenz zugewandt. KI sorgt bereits für Furore, indem sie drahtlose Signale im Handumdrehen interpretiert und klassifiziert, die Latenzzeit verkürzt und mehr Leistung herausholt. Doch es gibt einen Haken: Die meisten aktuellen KI-Modelle, die drahtlose Signale verarbeiten, sind gierig, wenn es um Rechenleistung und Energie geht. Das macht es schwierig, sie in Echtzeit einzusetzen, vor allem in kleinen Edge-Geräten wie Ihrem Telefon oder einem IoT-Sensor.
Kürzlich hat ein Team des MIT eine vielversprechende neue Lösung vorgestellt: einen speziell angefertigten optischen Hardware-Beschleuniger für die drahtlose Signalverarbeitung. Dies ist kein gewöhnlicher Prozessor. Er nutzt Licht (Photonen!), um Berechnungen zum maschinellen Lernen mit einer Geschwindigkeit durchzuführen, die digitale Chips in den Schatten stellt. Und das Ergebnis? Drahtlose Signale werden fast augenblicklich klassifiziert.
Das wirklich Bemerkenswerte an diesem photonischen Chip ist sein enormer Geschwindigkeitssprung. Er ist nicht nur ein bisschen schneller – Berichten zufolge ist er bis zu 100-mal schneller als aktuelle digitale Versionen. Und er ist zudem präzise: Er klassifiziert etwa 95 Prozent der Signale, die er empfängt, korrekt. Da er zudem kompakt, energieeffizient, flexibel und skalierbar ist, könnte er überall in Geräte integriert werden – von riesigen Rechenzentren bis hin zu Geräten, die man in der Hosentasche mit sich trägt.
Die Einsatzmöglichkeiten sind enorm. In zukünftigen 6G-Netzen könnte dieser Chip beispielsweise die Datenübertragungsgeschwindigkeit und -zuverlässigkeit in Echtzeit anpassen und dabei spontan die optimalen Funkeinstellungen auswählen. Doch das ist erst der Anfang: Stellen Sie sich Gesundheitsgeräte wie intelligente Herzschrittmacher vor, die auf die sich ändernden Bedürfnisse eines Patienten reagieren, oder autonome Fahrzeuge, die ihre Umgebung interpretieren und nahezu sofort Entscheidungen treffen müssen, um unsere Sicherheit zu gewährleisten. Echtzeit-Lernen am Netzwerkrand könnte buchstäblich Leben retten.
Die MIT-Gruppe hat ein neuartiges optisches neuronales Netzwerk entwickelt, das sie “Multiplicative Analog Frequency Transform Optical Neural Network” oder MAFT-ONN nennt. Hinter dem hochtrabenden Namen verbirgt sich eine einfache Idee: Es verarbeitet drahtlose Signale direkt im Frequenzbereich, bevor es sie in digitale Daten umwandelt. Dies ermöglicht rasend schnelle, äußerst effiziente Berechnungen. Und im Gegensatz zu anderen optischen Ansätzen, die für jede neuronale "Einheit" ein separates Stück Hardware benötigen, kann MAFT-ONN dank eines Ansatzes namens photoelektrische Multiplikation bis zu 10.000 Neuronen in einem einzigen Gerät beherbergen. Das bedeutet, dass es mehr Leistung - und mehr Gehirne - bei geringerer Aufblähung erhält.
Wie gut funktioniert es? In ersten Simulationen erreichte MAFT-ONN bei der Klassifizierung von Funksignalen zunächst eine Genauigkeit von etwa 85 % und verbesserte sich mit weiteren Messungen auf über 99 % - und das alles innerhalb eines Wimpernschlags (nur 120 Nanosekunden pro Klassifizierung). Ein Forscher drückte es so aus: “Je länger man misst, desto höher ist die Genauigkeit, die man erhält. Da MAFT-ONN Schlussfolgerungen in Nanosekunden berechnet, verliert man nicht viel an Geschwindigkeit, um mehr Genauigkeit zu erreichen.”
Wie geht es nun weiter? Das MIT-Team möchte die Leistungsfähigkeit des Chips ausbauen, um noch komplexere KI-Modelle und größere Herausforderungen in Angriff zu nehmen. Es war eine enorme Gemeinschaftsleistung, die von Organisationen wie dem U.S. Army Research Lab, dem MIT Lincoln Laboratory und anderen unterstützt wurde.
Neugierig auf mehr? Sie können die Originalgeschichte unter folgender Adresse lesen MIT-Nachrichten.
Diese Website verwendet Cookies.