资讯：Science Advances | 面向6G通信，首款射频信号直处理光学AI加速器！

本文介绍了乘法模拟频率变换光神经网络（MAFT-ONN），这是首个无需数字化或预处理即可直接对原始射频信号执行推理的AI硬件加速器，可通过实验对原始射频（RF）信号进行全模拟深度学习计算。在调制分类任务中，其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数字分类任务中，能够完成近400万次全模拟运算。由于模拟数据移动受香农容量限制，MAFT-ONN的处理速度比传统射频接收器快数百倍。其延迟性能优于FPGA，同时兼具光学器件在成本、尺寸、重量及功耗方面的优势。此外，当充分利用光学带宽与空分复用时，该处理器的吞吐量可比肩其他最先进AI硬件加速器。未来工作将重点通过波分复用与空分复用技术进一步提升MAFT-ONN的规模。

随着人工智能技术的飞速发展，其在射频（RF）信号处理和先进通信领域的应用逐渐成为研究热点。在频谱资源日益紧张的环境中，传统的手工设计系统已难以满足复杂频谱环境的处理需求。人工智能能够高效处理复杂的频谱环境，满足对更高无线数据速率的需求，为下一代通信技术（如6G）中的认知无线电、指纹识别和动态资源分配等功能提供支持。

然而，当前先进的AI方法在处理RF信号时存在明显缺陷。这些方法通常先将IQ数据数字化，再将信号转换为特定形式后输入深度学习模型，但这一过程会引入大量延迟，导致数字处理器无法进行实时频谱处理。此外，为了满足高性能需求，通常需要使用FPGA、GPU等高性能设备，这导致成本、尺寸、重量和功耗的增加。

光系统凭借在光场中编码、路由和处理模拟信号的能力，展现出低噪声、高带宽和低能耗的优势，有望成为下一代人工智能硬件加速器的关键技术。光神经网络（ONN）方案通过光学组件的物理特性进行线性代数运算或在线非线性变换，但要充分发挥光子学的超低延迟和能耗优势，需同时实现线性和非线性操作，且尽可能减少系统开销，同时保持高硬件可扩展性和性能，这一直是该领域亟待解决的难题。在这样的背景下，研究团队提出了乘法模拟频率变换光神经网络（MAFT-ONN）架构，为解决上述问题带来了新的希望。

MAFT-ONN架构巧妙地将DNN层与光电乘法相结合，每一次光电乘法都对应着全连接（FC）层或1维卷积（CONV）层的计算，为实现高效的神经网络运算奠定了基础。在这个架构中，神经元的值被编码在频率模式的幅度和相位中，利用光电乘法技术，能够一次性完成矩阵-向量乘积的计算，大大提高了计算效率。

图1 | MAFT-ONN架构概览。

对于每一层的非线性激活，MAFT-ONN充分利用电光调制器的非线性区域来实现，这种设计使得整个架构成为一个可扩展的端到端光子硬件加速器，为深度学习任务提供了强大的支持。从信号处理的角度来看，MAFT-ONN具备卓越的能力。它能够在频域中计算任意有限脉冲响应（FIR）型线性时不变（LTI）操作，通过对权重信号的精准编程，实现与输入信号的任意频域FIR LTI 卷积，无论是实值信号还是复值信号，都能得到有效的处理。

在处理实际信号时，MAFT-ONN的优势得以充分体现。以维纳滤波器为例，它可以对遭受频率串扰和加性高斯白噪声（AWGN）的信号进行恢复；线性最小二乘估计器（LLSE）则适用于处理非广义平稳（WSS）随机过程的信号，能够有效解决不同频率带具有不同编码和噪声特性的信号恢复问题；匹配滤波器功能更是强大，一次光电乘法就能实现对整个RF频谱的扫描，快速检测目标信号。这些技术的有机结合，使得MAFT-ONN在信号处理和深度学习任务中展现出强大的适应性和高效性。

为了全面验证MAFT-ONN架构的性能，研究团队设计并开展了一系列实验。在MNIST数字推理实验中，构建了一个三层的DNN。输入层将14×14的 MNIST图像编码为包含196个频率的信号，这些频率代表神经元。通过与具有19,600个频率的权重CONV核进行卷积，得到包含39,100个神经元的隐藏层。利用双平行马赫-曾德尔调制器（DPMZM）实现非线性激活后，隐藏层再与第二个具有1000个频率的权重CONV核卷积，最终得到10个神经元的输出层，对应MNIST数字的10个类别。该实验通过计算大量的乘积累加运算（MACs），对10,000张MNIST图像进行推理，以评估MAFT-ONN在图像分类任务中的表现。

图2 | MAFT-ONN实验验证。

LTI信号处理实验中，针对不同的信号处理需求设置了多种实验场景。在维纳滤波器实验中，先生成具有1000个频率模式的频率信道化信号，人为引入串扰和AWGN使其失真，然后利用MAFT-ONN实现的维纳滤波器对原始信号进行估计，通过比较原始信号和估计信号的均方误差（MSE），来验证滤波器的有效性。

图3 | MAFT-ONN信号处理能力实验。

LLSE估计器实验则针对非WSS随机过程的信号，在不同频率带具有不同特性的情况下，构建LLSE滤波器进行信号恢复，并同样通过MSE评估性能。匹配滤波器实验通过对不同信号进行扫描，观察是否能检测到目标信号的频率特征，以验证其功能。

调制分类实验使用与MNIST分类相同的硬件设置，输入信号包含五种不同调制方式的合成波形，同时考虑了信道衰落、相位和频率偏移等实际因素。通过三层DNN对输入信号进行处理，实现调制分类，并对比单次推理和多次测量取多数投票结果的准确率，探究提高分类准确性的方法。

MNIST数字推理实验中，三层实验DNN对10,000张14×14的MNIST图像进行推理，虽然实验DNN的准确率达到86.85%，略低于数字DNN的92.52%，但这依然证明了MAFT-ONN在图像分类任务中的可行性。实验不准确的部分原因在于非线性激活函数存在波纹，未来可通过引入电压驱动器或在硬件上原位训练等方法提高准确性。

在LTI信号处理方面，MAFT-ONN展现出强大的能力。维纳滤波器实验中，对失真信号的恢复使MSE平均改善了37.69%，接近理论值38.78%；LLSE估计器实验中，MSE平均改善了59.68%，与理论值63.17%相近，有效证明了其在不同信号处理场景下的有效性。匹配滤波器实验也成功实现了对目标信号的检测。

调制分类实验中，三层DNN在单次推理下对原始RF信号的调制分类准确率达到85.0%，与数字单次准确率89.2%较为接近。通过多次测量采用多数投票方案，准确率可快速提升，仅需5次测量就能达到95%，显示出该架构在实际信号处理中的潜力。

图4 | 系统级延迟分析。