Processador Fotônico pode Agilizar o Processamento de Sinais 6G
Créditos da Imagem: Pixabay
Com mais dispositivos conectados exigindo maior largura de banda para atividades como teletrabalho e computação em nuvem, gerenciar o espectro sem fio limitado disponível para todos os usuários se tornará cada vez mais difícil.
Engenheiros estão recorrendo à inteligência artificial para gerenciar o espectro sem fio de forma mais eficiente, visando reduzir a latência e aprimorar o desempenho. No entanto, a maioria das técnicas de IA usadas para classificar e processar sinais sem fio consome energia significativa e tem dificuldade para operar em tempo real.
MIT Revela Chip Óptico de IA Ultrarrápido para Processamento de Sinais Sem Fio
Para resolver esse problema, pesquisadores do MIT desenvolveram um novo acelerador de hardware de IA adaptado para processamento de sinais sem fio. Seu processador óptico usa luz para realizar tarefas de aprendizado de máquina, permitindo a classificação de sinais sem fio em nanossegundos. O estudo foi publicado na Science Advances.
Este chip fotônico é aproximadamente 100 vezes mais rápido do que as principais alternativas digitais e atinge cerca de 95% de precisão na classificação de sinais. Ele também é escalável e adaptável, tornando-o adequado para uma variedade de tarefas de computação de alto desempenho — além de ser mais compacto, leve, econômico e energeticamente eficiente do que os aceleradores digitais de IA tradicionais.
O dispositivo tem forte potencial para futuras aplicações 6G, como rádios cognitivos que podem aumentar as taxas de dados ajustando os formatos de modulação sem fio com base nas condições ambientais em tempo real.
Expandindo Aplicações Além do Processamento de Sinais
Ao permitir que dispositivos de ponta executem cálculos de aprendizado profundo instantaneamente, este novo acelerador de hardware pode acelerar significativamente tarefas que vão muito além do processamento de sinais. Por exemplo, pode permitir que veículos autônomos respondam instantaneamente a mudanças ambientais ou que marcapassos inteligentes monitorem e avaliem continuamente a saúde cardíaca de um paciente.
“Existem muitas aplicações que poderiam se beneficiar de dispositivos de ponta capazes de analisar sinais sem fio”, afirma Dirk Englund, professor do Departamento de Engenharia Elétrica e Ciência da Computação do MIT e autor sênior do artigo. “O que introduzimos pode abrir caminho para inferência de IA confiável e em tempo real. Este é apenas o começo de algo com impacto de longo alcance.”
Esforço Colaborativo por Trás da Pesquisa Inovadora em IA Óptica
Englund foi coautor do artigo com o autor principal Ronald Davis III, Ph.D.; Zaijun Chen, ex-pós-doutorado do MIT e agora professor assistente da Universidade do Sul da Califórnia; e Ryan Hamerly, cientista visitante do Laboratório de Pesquisa em Eletrônica (RLE) do MIT e cientista sênior da NTT Research.
Os aceleradores digitais de IA atuais para processamento de sinais sem fio normalmente convertem sinais em imagens e os processam por meio de modelos de aprendizado profundo para classificação. Embora esse método ofereça alta precisão, as altas demandas computacionais das redes neurais profundas o tornam inadequado para aplicações com tempo crítico.
Os sistemas ópticos oferecem uma alternativa mais rápida e com maior eficiência energética, utilizando a luz para codificar e processar dados. No entanto, as redes neurais ópticas de uso geral têm lutado para atingir alto desempenho no processamento de sinais, mantendo-se escaláveis.
Uma Rede Neural Óptica Sob Medida para Processamento de Sinais
Para abordar esse problema, os pesquisadores desenvolveram uma arquitetura de rede neural óptica especializada para processamento de sinais, denominada rede neural óptica com transformada de frequência analógica multiplicativa (MAFT-ONN).
A MAFT-ONN soluciona os desafios de escalabilidade codificando todos os dados do sinal e conduzindo operações de aprendizado de máquina inteiramente no domínio da frequência — antes da digitalização dos sinais sem fio.
A equipe projetou a rede para realizar operações lineares e não lineares diretamente dentro da via óptica, essenciais para o aprendizado profundo. Essa abordagem permite o uso de apenas um dispositivo MAFT-ONN por camada da rede, ao contrário de outras técnicas que exigem dispositivos separados para cada neurônio.
“Com esse método, podemos agrupar 10.000 neurônios em um único dispositivo e realizar todas as multiplicações necessárias em uma única etapa”, explica Davis.
A Multiplicação Fotoelétrica Potencializa Eficiência e Escalabilidade
Essa eficiência é alcançada por meio da multiplicação fotoelétrica, uma técnica que melhora significativamente o desempenho. Ela também permite o fácil escalonamento da rede neural óptica, adicionando mais camadas sem complexidade adicional.
A MAFT-ONN processa os sinais sem fio recebidos, analisando seus dados e passando os resultados para o dispositivo de borda para tarefas posteriores. Por exemplo, ao identificar o tipo de modulação de um sinal, a MAFT-ONN permite que o dispositivo reconheça o formato do sinal e extraia as informações incorporadas.
Um grande desafio no desenvolvimento da MAFT-ONN foi descobrir como traduzir cálculos de aprendizado de máquina para hardware óptico.
Personalizando o Aprendizado de Máquina para Aproveitar Hardware Óptico
“Não podíamos simplesmente aplicar uma estrutura padrão de aprendizado de máquina — tínhamos que adaptá-la especificamente ao nosso hardware e encontrar maneiras de aproveitar a física subjacente para realizar os cálculos desejados”, explica Davis.
Quando testada por meio de simulações para classificação de sinais, a rede neural óptica atingiu 85% de precisão em uma única medição e conseguiu rapidamente atingir mais de 99% de precisão com múltiplas medições. O MAFT-ONN concluiu todo o processo de classificação em apenas 120 nanossegundos.
“Quanto mais você mede, mais preciso ele se torna. Como o MAFT-ONN realiza inferências em nanossegundos, você ganha precisão sem sacrificar a velocidade”, acrescenta Davis.
Enquanto os principais sistemas digitais de RF processam a inferência de aprendizado de máquina em microssegundos, os sistemas ópticos podem alcançá-la em nanossegundos — ou até mais rápido.
Olhando para o futuro, a equipe pretende implementar estratégias de multiplexação para aumentar a capacidade de processamento e a escala do MAFT-ONN. Eles também planejam expandir a arquitetura para oferecer suporte a modelos de aprendizado profundo mais avançados, como transformadores e modelos de grande linguagem (LLMs).
Leia o Artigo Original Techxplore
Leia mais Siri Personalizada e com Tecnologia de IA não é Revelada na WWDC 2025
