A medida que más dispositivos conectados exigen una cantidad cada vez mayor de ancho de banda para tareas como el teletrabajo y la computación en la nube, será extremadamente difícil gestionar la cantidad finita de espectro inalámbrico disponible para que todos los usuarios lo compartan.
Los ingenieros están empleando inteligencia artificial para gestionar dinámicamente el espectro inalámbrico disponible, con miras a reducir la latencia y mejorar el rendimiento. Pero la mayoría de los métodos de IA para clasificar y procesar señales inalámbricas consumen mucha energía y no pueden funcionar en tiempo real.
Ahora, investigadores del MIT han desarrollado un novedoso acelerador de hardware de IA diseñado específicamente para el procesamiento de señales inalámbricas. Su procesador óptico realiza cálculos de aprendizaje automático a la velocidad de la luz, clasificando señales inalámbricas en cuestión de nanosegundos.
El chip fotónico es aproximadamente 100 veces más rápido que la mejor alternativa digital, y al mismo tiempo converge con una precisión de aproximadamente el 95 por ciento en la clasificación de señales. El nuevo acelerador de hardware también es escalable y flexible, por lo que podría usarse para una variedad de aplicaciones informáticas de alto rendimiento. Al mismo tiempo, es más pequeño, más ligero, más barato y más eficiente energéticamente que los aceleradores de hardware de IA digital.
El dispositivo podría ser especialmente útil en futuras aplicaciones inalámbricas 6G, como radios cognitivas que optimizan las velocidades de datos adaptando los formatos de modulación inalámbrica al cambiante entorno inalámbrico.
Al permitir que un dispositivo de borde realice cálculos de aprendizaje profundo en tiempo real, este nuevo acelerador de hardware podría proporcionar aceleraciones espectaculares en muchas aplicaciones más allá del procesamiento de señales. Por ejemplo, podría ayudar a los vehículos autónomos a reaccionar en fracciones de segundo a los cambios ambientales o permitir que los marcapasos inteligentes monitoricen continuamente la salud del corazón de un paciente.
“Hay muchas aplicaciones que podrían ser habilitadas por dispositivos de vanguardia que son capaces de analizar señales inalámbricas. Lo que hemos presentado en nuestro artículo podría abrir muchas posibilidades para la inferencia de IA confiable y en tiempo real. Este trabajo es el comienzo de algo que podría ser bastante impactante”, dice Dirk Englund, profesor del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, investigador principal del Grupo de Fotónica Cuántica e Inteligencia Artificial y el Laboratorio de Investigación de Electrónica (RLE), y autor principal del artículo. papel.
En el artículo lo acompañan el autor principal Ronald Davis III PhD ’24; Zaijun Chen, ex postdoctorado del MIT y ahora profesor asistente en la Universidad del Sur de California; y Ryan Hamerly, científico visitante de RLE y científico principal de NTT Research. La investigación aparece hoy en Science Advances.
Procesamiento a la velocidad de la luz
Los aceleradores digitales de IA de última generación para el procesamiento de señales inalámbricas convierten la señal en una imagen y la ejecutan a través de un modelo de aprendizaje profundo para clasificarla. Si bien este enfoque es muy preciso, la naturaleza computacionalmente intensiva de las redes neuronales profundas lo hace inviable para muchas aplicaciones urgentes.
Los sistemas ópticos pueden acelerar las redes neuronales profundas codificando y procesando datos utilizando luz, que también consume menos energía que la computación digital. Pero los investigadores han luchado por maximizar el rendimiento de las redes neuronales ópticas de uso general cuando se utilizan para el procesamiento de señales, garantizando al mismo tiempo que el dispositivo óptico sea escalable.
Al desarrollar una arquitectura de red neuronal óptica específicamente para el procesamiento de señales, a la que llaman red neuronal óptica de transformación de frecuencia analógica multiplicativa (MAFT-ONN), los investigadores abordaron ese problema de frente.
MAFT-ONN aborda el problema de la escalabilidad codificando todos los datos de la señal y realizando todas las operaciones de aprendizaje automático dentro de lo que se conoce como dominio de frecuencia, antes de que se digitalicen las señales inalámbricas.
Los investigadores diseñaron su red neuronal óptica para realizar todas las operaciones lineales y no lineales en línea. Ambos tipos de operaciones son necesarios para el aprendizaje profundo.
Gracias a este diseño innovador, solo necesitan un dispositivo MAFT-ONN por capa para toda la red neuronal óptica, a diferencia de otros métodos que requieren un dispositivo para cada unidad computacional o “neurona” individual.
“Podemos colocar 10.000 neuronas en un solo dispositivo y calcular las multiplicaciones necesarias de una sola vez”, dice Davis.
Los investigadores logran esto utilizando una técnica llamada multiplicación fotoeléctrica, que aumenta drásticamente la eficiencia. También les permite crear una red neuronal óptica que se puede ampliar fácilmente con capas adicionales sin requerir gastos generales adicionales.
Resultados en nanosegundos
MAFT-ONN toma una señal inalámbrica como entrada, procesa los datos de la señal y transmite la información para operaciones posteriores que realiza el dispositivo de borde. Por ejemplo, al clasificar la modulación de una señal, MAFT-ONN permitiría a un dispositivo inferir automáticamente el tipo de señal para extraer los datos que transporta.
Uno de los mayores desafíos que enfrentaron los investigadores al diseñar MAFT-ONN fue determinar cómo asignar los cálculos de aprendizaje automático al hardware óptico.
“No podíamos simplemente tomar un marco normal de aprendizaje automático y usarlo. Tuvimos que personalizarlo para que se ajustara al hardware y descubrir cómo explotar la física para que realizara los cálculos que queríamos”, dice Davis.
Cuando probaron su arquitectura sobre clasificación de señales en simulaciones, la red neuronal óptica logró una precisión del 85 por ciento en un solo disparo, que puede converger rápidamente a más del 99 por ciento de precisión utilizando múltiples mediciones. MAFT-ONN solo requirió unos 120 nanosegundos para realizar todo el proceso.
“Cuanto más tiempo mida, mayor precisión obtendrá. Como MAFT-ONN calcula inferencias en nanosegundos, no se pierde mucha velocidad para ganar más precisión”, añade Davis.
Mientras que los dispositivos de radiofrecuencia digitales de última generación pueden realizar inferencias de aprendizaje automático en microsegundos, la óptica puede hacerlo en nanosegundos o incluso picosegundos.
En el futuro, los investigadores quieren emplear lo que se conoce como esquemas de multiplexación para poder realizar más cálculos y ampliar el MAFT-ONN. También quieren ampliar su trabajo a arquitecturas de aprendizaje profundo más complejas que puedan ejecutar modelos de transformadores o LLM.
Este trabajo fue financiado, en parte, por el Laboratorio de Investigación del Ejército de EE. UU., la Fuerza Aérea de EE. UU., el Laboratorio Lincoln del MIT, Nippon Telegraph and Telephone y la Fundación Nacional de Ciencias.
Publicado originalmente en news.mit.edu el 11 de junio de 2025.
Ver fuente original
