The explosion of connected devices and our daily dependence on smooth, uninterrupted wireless connections have put wireless bandwidth in the spotlight. Every day, everything from smart cities to remote work and cloud computing leans on these invisible networks. But there’s a catch: the wireless spectrum, that essential backbone, is limited. Managing it efficiently has never been more complicated—or more important.
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.
What’s truly remarkable about this photonic chip is its leap in speed. It’s not just a little bit faster—it’s reportedly up to 100 times faster than current digital versions. And it’s sharp, too, correctly classifying about 95 percent of signals it sees. Plus, because it’s compact, energy-efficient, flexible, and scalable, it could slip into devices everywhere—from massive data centers to devices you carry in your pocket.
The potential uses are vast. In future 6G networks, for example, this chip could adjust data speeds and reliability in real time, selecting the ideal wireless settings on the fly. But that’s just the start: imagine health devices like smart pacemakers that respond to a patient’s changing needs, or autonomous vehicles that must interpret their environment and make near-instant decisions to keep us safe. Real-time learning at the edge could be a literal lifesaver.
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.”
Where does it go from here? The MIT team wants to expand the chip’s capabilities, tackling even more sophisticated AI models and bigger challenges. It’s been a huge collaborative effort, supported by organizations like the U.S. Army Research Lab, MIT Lincoln Laboratory, and others.
Neugierig auf mehr? Sie können die Originalgeschichte unter folgender Adresse lesen MIT-Nachrichten.
Diese Website verwendet Cookies.