射频光子深度学习处理器,具有Shannon限制数据移动

科学领域:

• 光子学和人工智能的人工智能
• 先进的通信系统先进的通信系统
• 半导体技术 半导体技术

背景情况:

• 埃德霍姆定律预测通信数据速率的指数增长,需要超越摩尔定律的新计算范式.
• 深度神经网络 (DNN) 面临着日益增长的计算需求,挑战当前的硬件加速器.
• 光学神经网络 (ONN) 为高速AI提供了潜力,但面临着可扩展性和系统开销问题.

研究的目的:

• 为先进的通信系统引入一种新型的人工智能硬件加速器.
• 展示一种完全模拟的深度学习方法来处理原始射频 (RF) 信号.
• 在可扩展性和系统开销方面解决当前ONN的局限性.

主要方法:

• 开发和实验验证一个乘法模拟频率转换光学神经网络 (MAFT-ONN).
• 实现完全模拟的深度学习计算直接在射频信号上.
• 测试MAFT-ONN用于调制分类和MNIST数字分类任务.

主要成果:

• MAFT-ONN在调制分类任务中实现了95%的准确性,并实现了快速的融合.
• 经过近400万次完全模拟操作的证明可扩展性,用于MNIST数字分类.
• 由于模拟数据的移动,速度比传统的射频接收器快数百倍.

结论:

• 在未来的通信系统中,MAFT-ONN为人工智能硬件加速提供了一个有前途的解决方案,例如6G.
• 模拟处理方法克服了数字射频接收器和当前ONN架构的局限性.
• 这项技术使原始射频信号的高效,高速深度学习成为可能,为下一代无线技术铺平了道路.