\nDie explosionsartige Zunahme vernetzter Ger\u00e4te und unsere t\u00e4gliche Abh\u00e4ngigkeit von reibungslosen, ununterbrochenen drahtlosen Verbindungen haben die drahtlose Bandbreite ins Rampenlicht ger\u00fcckt. Von intelligenten St\u00e4dten bis hin zu Fernarbeit und Cloud Computing st\u00fctzen sich alle Bereiche t\u00e4glich auf diese unsichtbaren Netze. Doch die Sache hat einen Haken: Das drahtlose Spektrum, dieses wichtige R\u00fcckgrat, ist begrenzt. Es effizient zu verwalten, war noch nie so kompliziert - und noch nie so wichtig.\n<\/p>\n
\nUm mit dem Ansturm Schritt zu halten, haben sich die Ingenieure der k\u00fcnstlichen Intelligenz zugewandt. KI sorgt bereits f\u00fcr Furore, indem sie drahtlose Signale im Handumdrehen interpretiert und klassifiziert, die Latenzzeit verk\u00fcrzt 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-Ger\u00e4ten wie Ihrem Telefon oder einem IoT-Sensor.\n<\/p>\n
\nK\u00fcrzlich hat ein Team des MIT eine vielversprechende neue L\u00f6sung vorgestellt: einen speziell angefertigten optischen Hardware-Beschleuniger f\u00fcr die drahtlose Signalverarbeitung. Dies ist kein gew\u00f6hnlicher Prozessor. Er nutzt Licht (Photonen!), um Berechnungen zum maschinellen Lernen mit einer Geschwindigkeit durchzuf\u00fchren, die digitale Chips in den Schatten stellt. Und das Ergebnis? Drahtlose Signale werden fast augenblicklich klassifiziert.\n<\/p>\n
\nDas wirklich Bemerkenswerte an diesem photonischen Chip ist sein Geschwindigkeitssprung. Er ist nicht nur ein bisschen schneller, sondern Berichten zufolge bis zu 100 Mal schneller als aktuelle digitale Versionen. Und er ist auch noch scharf, denn er klassifiziert etwa 95 Prozent der erkannten Signale richtig. Und weil er kompakt, energieeffizient, flexibel und skalierbar ist, k\u00f6nnte er \u00fcberall eingebaut werden - von riesigen Rechenzentren bis hin zu Ger\u00e4ten, die Sie in Ihrer Tasche tragen.\n<\/p>\n
\nDie Einsatzm\u00f6glichkeiten sind vielf\u00e4ltig. In k\u00fcnftigen 6G-Netzen k\u00f6nnte dieser Chip beispielsweise Datengeschwindigkeiten und Zuverl\u00e4ssigkeit in Echtzeit anpassen und die idealen drahtlosen Einstellungen im Handumdrehen ausw\u00e4hlen. Aber das ist nur der Anfang: Stellen Sie sich Gesundheitsger\u00e4te wie intelligente Herzschrittmacher vor, die auf die sich \u00e4ndernden Bed\u00fcrfnisse eines Patienten reagieren, oder autonome Fahrzeuge, die ihre Umgebung interpretieren und nahezu in Echtzeit Entscheidungen treffen m\u00fcssen, um unsere Sicherheit zu gew\u00e4hrleisten. Lernen in Echtzeit an der Grenze k\u00f6nnte buchst\u00e4blich lebensrettend sein.\n<\/p>\n
\nDie MIT-Gruppe hat ein neuartiges optisches neuronales Netzwerk entwickelt, das sie \u201cMultiplicative Analog Frequency Transform Optical Neural Network\u201d 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 erm\u00f6glicht rasend schnelle, \u00e4u\u00dferst effiziente Berechnungen. Und im Gegensatz zu anderen optischen Ans\u00e4tzen, die f\u00fcr jede neuronale \"Einheit\" ein separates St\u00fcck Hardware ben\u00f6tigen, kann MAFT-ONN dank eines Ansatzes namens photoelektrische Multiplikation bis zu 10.000 Neuronen in einem einzigen Ger\u00e4t beherbergen. Das bedeutet, dass es mehr Leistung - und mehr Gehirne - bei geringerer Aufbl\u00e4hung erh\u00e4lt.\n<\/p>\n
\nWie gut funktioniert es? In ersten Simulationen erreichte MAFT-ONN bei der Klassifizierung von Funksignalen zun\u00e4chst eine Genauigkeit von etwa 85 % und verbesserte sich mit weiteren Messungen auf \u00fcber 99 % - und das alles innerhalb eines Wimpernschlags (nur 120 Nanosekunden pro Klassifizierung). Ein Forscher dr\u00fcckte es so aus: \u201cJe l\u00e4nger man misst, desto h\u00f6her ist die Genauigkeit, die man erh\u00e4lt. Da MAFT-ONN Schlussfolgerungen in Nanosekunden berechnet, verliert man nicht viel an Geschwindigkeit, um mehr Genauigkeit zu erreichen.\u201d\n<\/p>\n
\nWie soll es weitergehen? Das MIT-Team will die F\u00e4higkeiten des Chips erweitern, um noch anspruchsvollere KI-Modelle und gr\u00f6\u00dfere Herausforderungen zu bew\u00e4ltigen. Es handelt sich um eine gro\u00dfe Gemeinschaftsarbeit, die von Organisationen wie dem U.S. Army Research Lab, dem MIT Lincoln Laboratory und anderen unterst\u00fctzt wird.\n<\/p>\n