数据流量正以令人眼花缭乱的速度增长。埃德霍尔姆定律表明，数据速率和频谱需求均呈指数级增长。与此同时，深度神经网络正在吞噬越来越多的计算能力，而摩尔定律却在放缓。这种不匹配促使工程师们探索新的方法来应对 6G 等未来网络。

麻省理工学院 (MIT) 的一个团队开发了一款专为无线信号设计的新型人工智能芯片。他们的设备被称为乘法模拟频率变换光学神经网络 (MAFT-ONN)。它完全以模拟形式处理原始射频 (RF) 信号。在实验室测试中，它处理调制分类的准确率很快达到了 95%。它还运行了近四百万次全模拟乘法累加运算，以识别 MNIST（改良版美国国家标准与技术研究院）数据集中的手写数字。

经典的光学神经网络在扩展时经常会遇到障碍，最终需要大量额外的硬件。MAFT-ONN 通过在数字化之前将信号转换到频域来解决这个问题。每一层都使用单个光学处理器，即时完成直线（线性）和更复杂（非线性）的数学运算。“我们可以将 10000 个神经元安装到单个设备上，并一次性计算出必要的乘法，”24 届博士生罗纳德·戴维斯三世 (Ronald Davis III) 说道。

由于以接近香农容量极限（定义可通过通信信道传输的最大信息量）的模拟形式传输数据，MAFT-ONN 的运行速度比常规射频接收器快数百倍。在 120 纳秒的单次测量中，它的准确率达到了 85%。通过多次测量，准确率可以超过 99%。“测量时间越长，准确率就越高。由于 MAFT-ONN 以纳秒为单位计算推理，因此无需牺牲太多速度即可获得更高的准确率，”戴维斯补充道。

与数字AI芯片相比，这款光子处理器（因为它基于光）的速度大约快100倍，但功耗却低得多。它体积更小、重量更轻、价格更低。这使得它非常适合用于认知无线电等边缘设备，这些设备可以实时调整调制格式，从而提高数据速率并减少干扰。

麻省理工学院电气工程与计算机科学教授、《科学进展》论文的资深作者 Dirk Englund 表示：“能够分析无线信号的边缘设备可以实现许多应用。我们在论文中提出的内容可能为实时可靠的人工智能推理开辟许多可能性。这项工作开启了一项可能产生巨大影响的事业。”

以光速推进深度学习或许能助力无线技术以外的领域。它或许能让自动驾驶汽车在眨眼间做出反应，或让智能起搏器持续监测心脏健康。接下来，该团队计划添加多路复用方案，以进一步提升计算能力，并使设计适应更大规模的人工智能模型，例如 Transformer 和大型语言模型。