Gwałtowny wzrost liczby urządzeń podłączonych do sieci oraz nasze codzienne uzależnienie od płynnych, nieprzerwanych połączeń bezprzewodowych sprawiły, że przepustowość sieci bezprzewodowych znalazła się w centrum uwagi. Każdego dnia wszystko – od inteligentnych miast po pracę zdalną i przetwarzanie w chmurze – opiera się na tych niewidzialnych sieciach. Jest jednak pewien haczyk: widmo radiowe, stanowiące podstawę tych sieci, jest ograniczone. Efektywne zarządzanie nim nigdy nie było bardziej skomplikowane – ani ważniejsze.
Aby nadążyć za tym pędem, inżynierowie zwrócili się ku sztucznej inteligencji. Sztuczna inteligencja już teraz robi furorę, interpretując i klasyfikując sygnały bezprzewodowe w locie, zmniejszając opóźnienia i zwiększając wydajność. Jest jednak pewien szkopuł - większość obecnych modeli sztucznej inteligencji przetwarzających sygnały bezprzewodowe jest chciwa, jeśli chodzi o moc obliczeniową i energię. Utrudnia to ich wykorzystanie w czasie rzeczywistym, zwłaszcza w małych urządzeniach brzegowych, takich jak telefon lub czujnik IoT.
Niedawno zespół z MIT zaproponował nowe, obiecujące rozwiązanie: zbudowany na zamówienie optyczny akcelerator sprzętowy do bezprzewodowego przetwarzania sygnału. To nie jest zwykły procesor. Wykorzystuje on światło (fotony!) do obsługi obliczeń uczenia maszynowego z prędkością, która pozostawia cyfrowe chipy w kurzu. Rezultat? Sygnały bezprzewodowe są klasyfikowane niemal natychmiast.
To, co naprawdę wyróżnia ten chip fotoniczny, to ogromny skok w szybkości działania. Nie jest on tylko odrobinę szybszy — według doniesień działa nawet 100 razy szybciej niż obecne wersje cyfrowe. Jest też niezwykle precyzyjny, prawidłowo klasyfikując około 95 procent odbieranych sygnałów. Ponadto, ponieważ jest kompaktowy, energooszczędny, elastyczny i skalowalny, można go zastosować w urządzeniach wszędzie – od ogromnych centrów danych po urządzenia, które nosisz w kieszeni.
Możliwości zastosowań są ogromne. Na przykład w przyszłych sieciach 6G ten układ mógłby dostosowywać prędkość transmisji danych i ich niezawodność w czasie rzeczywistym, wybierając na bieżąco optymalne ustawienia łączności bezprzewodowej. Ale to dopiero początek: wyobraźmy sobie urządzenia medyczne, takie jak inteligentne rozruszniki serca, które reagują na zmieniające się potrzeby pacjenta, lub pojazdy autonomiczne, które muszą interpretować otoczenie i podejmować niemal natychmiastowe decyzje, aby zapewnić nam bezpieczeństwo. Uczenie się w czasie rzeczywistym na obrzeżach sieci może dosłownie ratować życie.
Zagłębiając się w swój projekt, grupa MIT zbudowała nowy rodzaj optycznej sieci neuronowej, którą nazwali Multiplicative Analog Frequency Transform Optical Neural Network lub MAFT-ONN. Pod tą techniczną nazwą kryje się prosty pomysł: sieć obsługuje sygnały bezprzewodowe bezpośrednio w domenie częstotliwości, przed przekształceniem ich w dane cyfrowe. Pozwala to na szalenie szybkie i super wydajne obliczenia. W przeciwieństwie do innych metod optycznych, które wymagają oddzielnego sprzętu dla każdej “jednostki” neuronowej, MAFT-ONN może obsługiwać do 10 000 neuronów w jednym urządzeniu, dzięki podejściu zwanemu mnożeniem fotoelektrycznym. Oznacza to, że uzyskuje więcej mocy - i więcej mózgów - przy mniejszym rozdęciu.
Jak dobrze to działa? We wczesnych symulacjach, MAFT-ONN dokonał klasyfikacji sygnału bezprzewodowego z około 85-procentową dokładnością na początku i poprawił się do ponad 99 procent przy większej liczbie pomiarów - a wszystko to w mgnieniu oka (zaledwie 120 nanosekund na klasyfikację). Jak ujął to jeden z badaczy: “Im dłużej mierzysz, tym wyższą dokładność uzyskasz”. Ponieważ MAFT-ONN oblicza wnioski w nanosekundach, nie tracisz dużej prędkości, aby uzyskać większą dokładność".”
Jakie są dalsze plany? Zespół z MIT zamierza rozszerzyć możliwości układu, zajmując się jeszcze bardziej zaawansowanymi modelami sztucznej inteligencji i większymi wyzwaniami. Był to ogromny wspólny wysiłek, wspierany przez takie organizacje jak Laboratorium Badawcze Armii Stanów Zjednoczonych, Laboratorium Lincolna przy MIT i inne.
Chcesz dowiedzieć się więcej? Możesz zagłębić się w oryginalną historię na stronie MIT News.
Ta strona używa plików cookie.