編輯 | 白菜葉

埃德霍爾姆定律預測通信的數據速率和頻譜帶寬將呈指數級增長。

由于深度神經網絡計算需求的指數級增長以及摩爾定律的放緩，6G 等未來先進通信技術需要新的計算范式。

麻省理工學院的研究人員提出了MAFT-ONN（multiplicative analog frequency transform optical neural network ），這是一款人工智能硬件加速器，它通過實驗對原始射頻 (RF) 信號進行全模擬深度學習計算，并執行調制分類，準確率可快速收斂至 95%。

MAFT-ONN 還展現出良好的可擴展性，在 MNIST 數字分類中進行了近 400 萬次全模擬運算。

由于在物理層面將香農極限轉化為計算優勢，MAFT-ONN 也比傳統的 RF 接收器快數百倍。

該研究以「RF-photonic deep learning processor with Shannon-limited data movement」為題，于 2025 年 6 月 11 日發布在《Science Advances》。

背景

人工智能 (AI) 正在革新眾多領域，包括射頻 (RF) 信號處理和高級通信。在頻譜擁擠、用戶眾多、信道眾多的環境中，手工設計的系統變得越來越不可行。

在這種情況下，可以利用 AI 來處理日益復雜的頻譜環境，同時滿足日益增長的更高無線數據速率需求。信號處理 AI 賦能 6G 等下一代通信技術，其中認知無線電、指紋識別和動態資源分配等功能可能發揮關鍵作用。

當前 AI 驅動的射頻（RF）信號處理通常采用數字化方法，將 IQ 數據轉換為張量或時頻圖像（Time-Frequency Image）后輸入 CNN 等模型進行分類或指紋識別，但數字架構因數據搬運導致高延遲，難以滿足實時處理需求，且依賴 FPGA/GPU 等高性能硬件導致成本與功耗居高不下。

光學系統為 AI 加速提供了新思路，其通過光場編碼和模擬信號處理實現超高帶寬與超低能耗，光學神經網絡（ONN）利用（i）光學元件物理特性實現線性運算（如干涉儀、微環諧振器）或（ii）非線性變換（光電混合/全光學方案），但如何協同線性與非線性操作并兼顧硬件可擴展性仍是技術難點。

這一領域的關鍵挑戰在于：如何在光子學體系中實現低開銷的線性與非線性融合，同時保持高性能和可擴展性，從而充分發揮光計算在延遲與能效上的理論優勢。

MAFT-ONN

MIT 團隊提出的 MAFT-ONN 架構同時實現了深度神經網絡 (DNN) 推理的（i）和 （ii），并且在 DNN 規模和層深度方面均具有高度可擴展性。

圖 1：MAFT-ONN 架構概述。（來源：論文）

具體來說，如圖 1B 所示，一系列 DNN 層對應于級聯的光電倍增，其中每個層計算全連接（FC）層或一維卷積（CONV）層。給定層中所有神經元的非線性激活 (NL) 是通過在后續調制器的非線性機制下操作來實現的。

研究人員通過實驗驗證了 MAFT-ONN 在三層 DNN 中的應用，用于改進的美國國家標準與技術研究院（MNIST）圖像的推理和調制分類。

在該架構中，研究人員將神經元值編碼為頻率模式的幅度和相位，并通過「光電乘法」一次性完成矩陣向量積。每層的非線性激活是通過電光調制器的非線性區域實現的，從而為 DNN 構建一個可擴展的前后光子硬件加速器。

圖 1A 展示了 MAFT-ONN 處理器的具體用例：MAFT-ONN 處理器可加速傳統信號處理操作以及無線電波等波形的 AI 推理。接收到的模擬波形被輸入 MAFT-ONN 進行全模擬處理，之后可以使用模數轉換器 (ADC) 以數字方式讀出輸出，或將其輸入另一個模擬系統。

目前為止，MAFT-ONN 架構是首個無需數字化或預處理即可對原始通信信號進行 AI 推理的硬件加速器。

它實現了：（1）射頻信號端到端模擬處理，避免數字化瓶頸；（2）單層 60ns、總延遲 1ms 的超低延遲；（3）利用 43MHz 帶寬組件實現 3.85 GOPS 吞吐量，理論擴展至太赫茲光學帶寬后可達 peta-OPS 級別；（4）系統延遲比 FPGA 快 400-670 倍。

這些優勢使其在 5G/6G 多輸入多輸出（MIMO）、認知無線電等場景具有巨大應用潛力。

總而言之，MAFT-ONN 具有足夠的靈活性，能夠實現全模擬頻域 LTI 處理和 AI 推理的強大組合，從而實現全新的高性能信號處理能力，并兼具光學系統低功耗、低成本、小尺寸和輕重量的優勢。

感興趣的小伙伴可以閱讀一下論文原文。

論文鏈接：https://www.science.org/doi/10.1126/sciadv.adt3558