Datový provoz roste závratným tempem. Edholmův zákon ukazuje, že jak přenosové rychlosti, tak nároky na spektrum rostou exponenciálně. Zároveň hluboké neuronové sítě spotřebovávají stále více výpočetního výkonu. Tento nesoulad nutí inženýry hledat nové způsoby, jak zvládnout budoucí sítě jako je například 6G.
MIT přichází se zásadním návrhem v oblasti bezdrátových sítí
Tým z MIT (Massachusetts Institute of Technology) vyvinul nový AI čip navržený přímo pro zpracovávání bezdrátových signálů. Zařízení se jmenuje MAFT-ONN (Multiplicative Analog Frequency Transform Optical Neural Network). Funguje zcela analogově na základě neupravených rádiových frekvencí (RF). V laboratorních testech dosáhlo až 95% přesnosti při klasifikaci modulací a zároveň zvládlo téměř čtyři miliony plně analogových výpočtů typu multiply-accumulate při rozpoznávání ručně psaných číslic z datasetu MNIST.
Klasické optické neuronové sítě často narážejí na problémy při škálování a vyžadují složité hardwarové struktury. MAFT-ONN tento problém řeší tím, že převádí signály do frekvenční domény ještě před digitalizací. Každá vrstva používá jediný optický procesor, který přímo na místě provádí jak lineární, tak nelineární matematické operace. „Na jedno zařízení můžeme umístit 10 000 neuronů a všechny potřebné násobení provést jedním krokem,“ říká Ronald Davis z MIT.
Díky analogovému zpracování dat v blízkosti Shannonovy kapacity (maximální možný přenos informací v daném kanálu) funguje MAFT-ONN až stokrát rychleji než běžné RF přijímače. Během jednoho 120nanosekundového měření dosáhl přesnosti 85 %, a po několika dalších měřeních překročil 99 %. „Čím déle měříte, tím větší přesnost dosáhnete. Protože MAFT-ONN provádí inferenci v nanosekundách, neztratíte tolik na rychlosti v případě snahy o vyšší přesnost,“ doplňuje Davis.
O2 5G Brno modernizace
Ve srovnání s digitálními AI čipy je tento fotonický procesor zhruba 100krát rychlejší, spotřebovává mnohem méně energie a je zároveň menší, lehčí a levnější. Díky tomu je ideální pro edge zařízení, jako jsou kognitivní rádia, která mění modulace v reálném čase, aby zvýšila přenosové rychlosti a omezila rušení.
„Existuje mnoho aplikací, které by mohly využít edge zařízení schopná analyzovat bezdrátové signály. To, co jsme představili v našem článku, by mohlo otevřít možnosti pro spolehlivou AI inferenci v reálném čase. Tato práce je začátkem něčeho, co by mohlo mít významný dopad,“ říká Dirk Englund, profesor elektrotechniky a informatiky na MIT a hlavní autor článku publikovaného v Science Advances.
Posouvání deep learningu na rychlost světla může mít dopad i mimo oblast bezdrátových technologií, mohl by umožnit například autonomním vozům reagovat během zlomku sekundy nebo chytrým kardiostimulátorům nepřetržitě sledovat srdce. Dalším krokem týmu bude přidání multiplexovacích schémat pro ještě větší výpočetní výkon a adaptace návrhu na větší modely AI, jako jsou transformery nebo velké jazykové modely.
Zdroj: neowin.net