共计 1858 个字符，预计需要花费 5 分钟才能阅读完成。
埃德霍尔姆定律预测通信的数据速率和频谱带宽将呈指数级增长。
由于深度神经网络计算需求的指数级增长以及摩尔定律的放缓，6G 等未来先进通信技术需要新的计算范式。
麻省理工学院的研究人员提出了 MAFT-ONN（multiplicative analog frequency transform optical neural network ），这是一款人工智能硬件加速器，它通过实验对原始射频 (RF) 信号进行全模拟深度学习计算，并执行调制分类，准确率可快速收敛至 95%。
MAFT-ONN 还展现出良好的可扩展性，在 MNIST 数字分类中进行了近 400 万次全模拟运算。
由于在物理层面将香农极限转化为计算优势，MAFT-ONN 也比传统的 RF 接收器快数百倍。
该研究以「RF-photonic deep learning processor with Shannon-limited data movement」为题，于 2025 年 6 月 11 日发布在《Science Advances》。
背景
人工智能 (AI) 正在革新众多领域，包括射频 (RF) 信号处理和高级通信。在频谱拥挤、用户众多、信道众多的环境中，手工设计的系统变得越来越不可行。
在这种情况下，可以利用 AI 来处理日益复杂的频谱环境，同时满足日益增长的更高无线数据速率需求。信号处理 AI 赋能 6G 等下一代通信技术，其中认知无线电、指纹识别和动态资源分配等功能可能发挥关键作用。
当前 AI 驱动的射频（RF）信号处理通常采用数字化方法，将 IQ 数据转换为张量或时频图像（Time-Frequency Image）后输入 CNN 等模型进行分类或指纹识别，但数字架构因数据搬运导致高延迟，难以满足实时处理需求，且依赖 FPGA/GPU 等高性能硬件导致成本与功耗居高不下。
光学系统为 AI 加速提供了新思路，其通过光场编码和模拟信号处理实现超高带宽与超低能耗，光学神经网络（ONN）利用（i）光学元件物理特性实现线性运算（如干涉仪、微环谐振器）或（ii）非线性变换（光电混合/全光学方案），但如何协同线性与非线性操作并兼顾硬件可扩展性仍是技术难点。
这一领域的关键挑战在于：如何在光子学体系中实现低开销的线性与非线性融合，同时保持高性能和可扩展性，从而充分发挥光计算在延迟与能效上的理论优势。
MAFT-ONN
MIT 团队提出的 MAFT-ONN 架构同时实现了深度神经网络 (DNN) 推理的（i）和 （ii），并且在 DNN 规模和层深度方面均具有高度可扩展性。
图 1：MAFT-ONN 架构概述。（来源：论文）
具体来说，如图 1B 所示，一系列 DNN 层对应于级联的光电倍增，其中每个层计算全连接（FC）层或一维卷积（CONV）层。给定层中所有神经元的非线性激活 (NL) 是通过在后续调制器的非线性机制下操作来实现的。
研究人员通过实验验证了 MAFT-ONN 在三层 DNN 中的应用，用于改进的美国国家标准与技术研究院（MNIST）图像的推理和调制分类。
在该架构中，研究人员将神经元值编码为频率模式的幅度和相位，并通过「光电乘法」一次性完成矩阵向量积。每层的非线性激活是通过电光调制器的非线性区域实现的，从而为 DNN 构建一个可扩展的前后光子硬件加速器。
图 1A 展示了 MAFT-ONN 处理器的具体用例：MAFT-ONN 处理器可加速传统信号处理操作以及无线电波等波形的 AI 推理。接收到的模拟波形被输入 MAFT-ONN 进行全模拟处理，之后可以使用模数转换器 (ADC) 以数字方式读出输出，或将其输入另一个模拟系统。
目前为止，MAFT-ONN 架构是首个无需数字化或预处理即可对原始通信信号进行 AI 推理的硬件加速器。
它实现了：（1）射频信号端到端模拟处理，避免数字化瓶颈；（2）单层 60ns、总延迟 1ms 的超低延迟；（3）利用 43MHz 带宽组件实现 3.85 GOPS 吞吐量，理论扩展至太赫兹光学带宽后可达 peta-OPS 级别；（4）系统延迟比 FPGA 快 400-670 倍。
这些优势使其在 5G/6G 多输入多输出（MIMO）、认知无线电等场景具有巨大应用潜力。
总而言之，MAFT-ONN 具有足够的灵活性，能够实现全模拟频域 LTI 处理和 AI 推理的强大组合，从而实现全新的高性能信号处理能力，并兼具光学系统低功耗、低成本、小尺寸和轻重量的优势。
感兴趣的小伙伴可以阅读一下论文原文。
论文链接：https://www.science.org/doi/10.1126/sciadv.adt3558
