光速思考的AI芯片：MIT光学处理器突破无线信号处理极限

美国麻省理工学院（MIT）的研究团队在最新一期《科学进展》杂志上公布了一项突破性成果：一种专为无线信号处理设计的光学AI处理器，能以光速执行机器学习计算，在数十纳秒内完成无线信号分类，准确率高达95%。

这项创新技术被称为“乘性模拟频域变换光学神经网络”（MAFT-ONN），它摒弃了传统数字处理器的设计思路，直接在模拟频域处理无线信号，绕过了数字化瓶颈，为6G通信、自动驾驶和医疗设备等实时应用场景开启了全新可能。

image.png（新型光学处理器的艺术概念图 该处理器能以光速执行机器学习计算，并在纳秒内对无线信号进行分类。图片来源：美国麻省理工学院官网）

1 、突破传统，光学计算的崛起

传统AI加速器在处理无线信号时，需要将信号转化为图像，再通过深度学习模型进行分类。这种方法虽然准确率高，但神经网络计算密集，响应速度难以满足微秒级延迟要求。

随着Edholm定律预测通信数据速率呈指数增长，以及摩尔定律的放缓，6G等先进通信系统面临严峻挑战。数字处理器在处理复杂频谱环境时存在固有延迟，而现有光学神经网络又受限于可扩展性和系统开销。

MIT团队开发的MAFT-ONN架构通过将神经元值编码在频率模式的幅度和相位中，利用 “光电乘法”技术，仅用一个设备就可集成1万个神经元，并一次性完成所有乘法运算。

2 、解密光速计算，芯片如何运作

MAFT-ONN架构的核心在于四个关键技术突破：

  • 采用单边带抑制载波（SSB-SC）调制实现频率编码；
  • 通过双平行马赫-曾德尔调制器（DPMZM）构建非线性激活；
  • 开发频域线性时不变处理框架；
  • 建立多任务验证平台。

在射频信号进入系统后，MAFT-ONN在信号被数字化之前，就在频域中完成所有信号编码与机器学习运算。这种设计大幅减少了数据转换环节，实现了端到端的模拟信号处理。

对于14×14 MNIST图像分类任务，该系统将图像编码为196个频率的输入信号，与包含19，600个频率的权重核卷积后，产生39，100个神经元的隐藏层。

经DPMZM非线性激活后，再与1000个频率的第二层权重卷积，最终输出10个神经元对应数字分类，整个过程中，系统完成了惊人的3，851，600次乘加运算（MAC）。

3、 性能飞跃，数字背后的革命

实验数据显示，MAFT-ONN单次推理延迟仅约120纳秒，比传统数字射频设备的微秒级AI推理速度快数百倍。

在10,000样本测试中，MNIST分类准确率达到86.85%，接近数字模型的92.52%。

在调制分类任务中，系统直接处理包含Rician多径衰落和时钟偏移的原始射频信号，对GFSK、CPFSK等五种调制方式的单次识别准确率达85%，通过五次测量多数表决可提升至95%。

系统计算吞吐量达到3.85 GOPS（十亿次操作每秒），理论扩展至太赫兹光学带宽后可达peta-OPS级别。

与传统FPGA相比，MAFT-ONN的系统延迟快400-670倍，为实时信号处理提供了前所未有的可能性。

4 、未来已来，六大应用场景

  • 6G通信：芯片可根据无线环境变化自动调整调制方式，优化数据传输，实现认知无线电。
  • 自动驾驶：处理海量传感器数据，实现车辆间的实时通信，提高道路安全。
  • 智能医疗：为智能起搏器等植入式设备提供实时健康监测能力，在纳秒级识别异常心律。
  • 工业物联网：在极端延迟敏感环境中实现设备间即时通信，提高工业自动化水平。
  • 军事通信：在复杂电磁环境下保持可靠通信，快速识别和适应干扰信号。
  • 边缘计算：为资源受限的边缘设备提供高性能AI推理能力，减少云端依赖。

5、 创新基因，MIT的硬件革命

值得注意的是，MAFT-ONN并非MIT近期唯一的芯片突破。2024年底，该校团队在《自然》杂志发表了电子堆叠技术，通过垂直堆叠多个半导体层，大幅增加晶体管数量，提升计算能力。

研究团队摒弃了传统硅基支撑，采用新的多层芯片设计，使不同功能的半导体层之间可以直接接触，从而大幅提升数据传输速度与计算效率。

MIT还开发了一种乐高式可重构AI芯片，各层通过光信号通信而非物理连线，可以像积木一样更换或堆叠芯片层，添加新传感器或处理器。这种设计不仅可扩展性强，还能减少电子垃圾，使设备可以通过更换芯片层升级而非整体淘汰。研究人员表示“你可以根据需要添加任意数量的计算层和传感器，类似乐高积木的可重构AI芯片，因为它根据层的组合具有无限的可扩展性。”