La creciente demanda por dispositivos conectados que requieren un alto ancho de banda para actividades como el teletrabajo y la computación en la nube está generando retos significativos en la gestión del espectro inalámbrico disponible. A medida que más usuarios se conectan, el manejo eficiente de este recurso se vuelve crucial. En este contexto, los ingenieros están utilizando la inteligencia artificial para gestionar dinámicamente el espectro inalámbrico, buscando reducir la latencia y mejorar el rendimiento. Sin embargo, la mayoría de los métodos de IA actuales para clasificar y procesar señales inalámbricas son intensivos en energía y no pueden operar en tiempo real.
Desarrollo de un procesador óptico innovador
Recientemente, investigadores del MIT han desarrollado un acelerador de hardware de IA diseñado específicamente para el procesamiento de señales inalámbricas. Este procesador óptico realiza cálculos de aprendizaje automático a la velocidad de la luz, permitiendo la clasificación de señales en cuestión de nanosegundos. Según el estudio publicado en Science Advances, este chip fotónico es aproximadamente 100 veces más rápido que las mejores alternativas digitales, logrando una precisión del 95% en la clasificación de señales.
Características y ventajas del nuevo hardware
El nuevo acelerador de hardware es escalable y flexible, lo que significa que podría aplicarse a diversas aplicaciones de computación de alto rendimiento. Además, es más pequeño, ligero, económico y eficiente en términos de energía en comparación con los aceleradores de IA digitales. Esto lo hace especialmente prometedor para futuras aplicaciones inalámbricas 6G, como radios cognitivas que optimizan las tasas de datos al adaptarse a los cambios en el entorno inalámbrico.
Aplicaciones en tiempo real y su impacto
La capacidad de permitir que un dispositivo de borde realice cálculos de aprendizaje profundo en tiempo real podría acelerar dramáticamente el rendimiento en muchas aplicaciones más allá del procesamiento de señales. Por ejemplo, podría ayudar a vehículos autónomos a reaccionar en fracciones de segundo ante cambios en el entorno o permitir que marcapasos inteligentes monitoreen continuamente la salud del corazón de un paciente.
Perspectivas futuras
«Existen numerosas aplicaciones que se beneficiarían de dispositivos de borde capaces de analizar señales inalámbricas. Lo que hemos presentado en nuestro trabajo podría abrir muchas posibilidades para la inferencia de IA en tiempo real y confiable. Este trabajo es solo el comienzo de algo que podría tener un gran impacto», comenta Dirk Englund, profesor del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT y autor principal del estudio.
Detalles técnicos del MAFT-ONN
Los aceleradores digitales de IA de última generación para el procesamiento de señales inalámbricas convierten la señal en una imagen y la procesan a través de un modelo de aprendizaje profundo para clasificarla. Aunque este enfoque es altamente preciso, la naturaleza intensiva en cálculos de las redes neuronales profundas lo hace inviable para muchas aplicaciones sensibles al tiempo. Por otro lado, los sistemas ópticos pueden acelerar las redes neuronales profundas al codificar y procesar datos utilizando luz, lo que también resulta ser menos intensivo en energía que la computación digital.
Innovación en arquitectura de red neuronal óptica
Los investigadores han abordado este problema al desarrollar una arquitectura de red neuronal óptica específicamente para el procesamiento de señales, conocida como red neuronal óptica de transformada de frecuencia analógica multiplicativa (MAFT-ONN). Esta arquitectura soluciona el problema de escalabilidad al codificar todos los datos de la señal y realizar todas las operaciones de aprendizaje automático en el dominio de frecuencia, antes de que las señales inalámbricas sean digitalizadas.
Resultados prometedores y futuro de la investigación
Cuando se probó su arquitectura en simulaciones de clasificación de señales, la red neuronal óptica alcanzó un 85% de precisión en un solo intento, que rápidamente puede converger a más del 99% usando múltiples mediciones. Además, el MAFT-ONN solo requirió aproximadamente 120 nanosegundos para realizar todo el proceso. A diferencia de los dispositivos digitales de radiofrecuencia de última generación, que pueden realizar inferencias de aprendizaje automático en microsegundos, la óptica puede hacerlo en nanosegundos o incluso en picosegundos.
Proyectos futuros y ampliación de capacidades
De cara al futuro, los investigadores planean utilizar esquemas de multiplexión para realizar más cálculos y ampliar las capacidades del MAFT-ONN. También desean extender su trabajo hacia arquitecturas de aprendizaje profundo más complejas que puedan ejecutar modelos transformadores o LLMs.
