\nEksplozja po\u0142\u0105czonych urz\u0105dze\u0144 i nasza codzienna zale\u017cno\u015b\u0107 od p\u0142ynnych, nieprzerwanych po\u0142\u0105cze\u0144 bezprzewodowych sprawi\u0142y, \u017ce przepustowo\u015b\u0107 sieci bezprzewodowej znalaz\u0142a si\u0119 w centrum uwagi. Ka\u017cdego dnia wszystko, od inteligentnych miast po prac\u0119 zdaln\u0105 i przetwarzanie w chmurze, opiera si\u0119 na tych niewidocznych sieciach. Jest jednak pewien haczyk: widmo bezprzewodowe, ten niezb\u0119dny szkielet, jest ograniczone. Efektywne zarz\u0105dzanie nim nigdy nie by\u0142o bardziej skomplikowane - ani wa\u017cniejsze.\n<\/p>\n
\nAby nad\u0105\u017cy\u0107 za tym p\u0119dem, in\u017cynierowie zwr\u00f3cili si\u0119 ku sztucznej inteligencji. Sztuczna inteligencja ju\u017c teraz robi furor\u0119, interpretuj\u0105c i klasyfikuj\u0105c sygna\u0142y bezprzewodowe w locie, zmniejszaj\u0105c op\u00f3\u017anienia i zwi\u0119kszaj\u0105c wydajno\u015b\u0107. Jest jednak pewien szkopu\u0142 - wi\u0119kszo\u015b\u0107 obecnych modeli sztucznej inteligencji przetwarzaj\u0105cych sygna\u0142y bezprzewodowe jest chciwa, je\u015bli chodzi o moc obliczeniow\u0105 i energi\u0119. Utrudnia to ich wykorzystanie w czasie rzeczywistym, zw\u0142aszcza w ma\u0142ych urz\u0105dzeniach brzegowych, takich jak telefon lub czujnik IoT.\n<\/p>\n
\nNiedawno zesp\u00f3\u0142 z MIT zaproponowa\u0142 nowe, obiecuj\u0105ce rozwi\u0105zanie: zbudowany na zam\u00f3wienie optyczny akcelerator sprz\u0119towy do bezprzewodowego przetwarzania sygna\u0142u. To nie jest zwyk\u0142y procesor. Wykorzystuje on \u015bwiat\u0142o (fotony!) do obs\u0142ugi oblicze\u0144 uczenia maszynowego z pr\u0119dko\u015bci\u0105, kt\u00f3ra pozostawia cyfrowe chipy w kurzu. Rezultat? Sygna\u0142y bezprzewodowe s\u0105 klasyfikowane niemal natychmiast.\n<\/p>\n
\nTo, co jest naprawd\u0119 niezwyk\u0142e w tym chipie fotonicznym, to jego skok pr\u0119dko\u015bci. Nie jest tylko troch\u0119 szybszy - podobno jest nawet 100 razy szybszy ni\u017c obecne wersje cyfrowe. Jest te\u017c ostry, poprawnie klasyfikuj\u0105c oko\u0142o 95 procent sygna\u0142\u00f3w, kt\u00f3re widzi. Ponadto, poniewa\u017c jest kompaktowy, energooszcz\u0119dny, elastyczny i skalowalny, mo\u017ce w\u015blizgn\u0105\u0107 si\u0119 do urz\u0105dze\u0144 wsz\u0119dzie - od ogromnych centr\u00f3w danych po urz\u0105dzenia, kt\u00f3re nosisz w kieszeni.\n<\/p>\n
\nPotencjalne zastosowania s\u0105 ogromne. Na przyk\u0142ad w przysz\u0142ych sieciach 6G, uk\u0142ad ten m\u00f3g\u0142by dostosowywa\u0107 pr\u0119dko\u015b\u0107 i niezawodno\u015b\u0107 transmisji danych w czasie rzeczywistym, wybieraj\u0105c idealne ustawienia bezprzewodowe w locie. Ale to dopiero pocz\u0105tek: wyobra\u017amy sobie urz\u0105dzenia zdrowotne, takie jak inteligentne rozruszniki serca, kt\u00f3re reaguj\u0105 na zmieniaj\u0105ce si\u0119 potrzeby pacjenta, lub autonomiczne pojazdy, kt\u00f3re musz\u0105 interpretowa\u0107 swoje otoczenie i podejmowa\u0107 niemal natychmiastowe decyzje, aby zapewni\u0107 nam bezpiecze\u0144stwo. Uczenie si\u0119 w czasie rzeczywistym na kraw\u0119dzi mo\u017ce dos\u0142ownie uratowa\u0107 nam \u017cycie.\n<\/p>\n
\nZag\u0142\u0119biaj\u0105c si\u0119 w sw\u00f3j projekt, grupa MIT zbudowa\u0142a nowy rodzaj optycznej sieci neuronowej, kt\u00f3r\u0105 nazwali Multiplicative Analog Frequency Transform Optical Neural Network lub MAFT-ONN. Pod t\u0105 techniczn\u0105 nazw\u0105 kryje si\u0119 prosty pomys\u0142: sie\u0107 obs\u0142uguje sygna\u0142y bezprzewodowe bezpo\u015brednio w domenie cz\u0119stotliwo\u015bci, przed przekszta\u0142ceniem ich w dane cyfrowe. Pozwala to na szalenie szybkie i super wydajne obliczenia. W przeciwie\u0144stwie do innych metod optycznych, kt\u00f3re wymagaj\u0105 oddzielnego sprz\u0119tu dla ka\u017cdej \u201cjednostki\u201d neuronowej, MAFT-ONN mo\u017ce obs\u0142ugiwa\u0107 do 10 000 neuron\u00f3w w jednym urz\u0105dzeniu, dzi\u0119ki podej\u015bciu zwanemu mno\u017ceniem fotoelektrycznym. Oznacza to, \u017ce uzyskuje wi\u0119cej mocy - i wi\u0119cej m\u00f3zg\u00f3w - przy mniejszym rozd\u0119ciu.\n<\/p>\n
\nJak dobrze to dzia\u0142a? We wczesnych symulacjach, MAFT-ONN dokona\u0142 klasyfikacji sygna\u0142u bezprzewodowego z oko\u0142o 85-procentow\u0105 dok\u0142adno\u015bci\u0105 na pocz\u0105tku i poprawi\u0142 si\u0119 do ponad 99 procent przy wi\u0119kszej liczbie pomiar\u00f3w - a wszystko to w mgnieniu oka (zaledwie 120 nanosekund na klasyfikacj\u0119). Jak uj\u0105\u0142 to jeden z badaczy: \u201cIm d\u0142u\u017cej mierzysz, tym wy\u017csz\u0105 dok\u0142adno\u015b\u0107 uzyskasz\u201d. Poniewa\u017c MAFT-ONN oblicza wnioski w nanosekundach, nie tracisz du\u017cej pr\u0119dko\u015bci, aby uzyska\u0107 wi\u0119ksz\u0105 dok\u0142adno\u015b\u0107\".\u201d\n<\/p>\n
\nCo dalej? Zesp\u00f3\u0142 MIT chce rozszerzy\u0107 mo\u017cliwo\u015bci chipu, stawiaj\u0105c czo\u0142a jeszcze bardziej wyrafinowanym modelom sztucznej inteligencji i wi\u0119kszym wyzwaniom. By\u0142 to ogromny wysi\u0142ek oparty na wsp\u00f3\u0142pracy, wspierany przez organizacje takie jak U.S. Army Research Lab, MIT Lincoln Laboratory i inne.\n<\/p>\n