با رشد انفجاری حجم ترافیک داده، نیاز به افزایش نرخ انتقال و طیف‌های فرکانسی نیز مطابق قانون ادولم (Edholm’s Law) به‌طور نمایی در حال افزایش است. در همین زمان، شبکه‌های عصبی عمیق روزبه‌روز به توان پردازشی بیشتری نیاز دارند، آن هم در شرایطی که قانون مور (Moore’s Law) روند کاهشی به خود گرفته است. این تناقض موجب شده مهندسان به دنبال راهکارهایی نوین برای مدیریت شبکه‌های آینده همچون 6G باشند.
در همین راستا، تیمی از موسسه فناوری ماساچوست (MIT) نوعی چیپ مبتنی بر هوش مصنوعی ویژه پردازش سیگنال‌های بیسیم طراحی کرده‌اند. این دستگاه با نام “شبکه عصبی نوری تبدیل فرکانس آنالوگ ضرب‌شونده” یا MAFT-ONN معرفی شده و تمام عملیات را به‌صورت آنالوگ بر سیگنال‌های رادیویی خام (RF) انجام می‌دهد. در آزمایش‌های آزمایشگاهی، MAFT-ONN توانست طبقه‌بندی مدولاسیون را با دقت 95 درصد انجام دهد و نزدیک به 4 میلیون عملیات ضرب‌و‌جمع کاملاً آنالوگ برای شناسایی ارقام دست‌نویس از مجموعه داده MNIST اجرا نماید.
برخلاف شبکه‌های عصبی نوری کلاسیک که در مقیاس‌پذیری با مشکلات سخت‌افزاری مواجه‌اند، MAFT-ONN پیش از هرگونه دیجیتالی‌سازی سیگنال‌ها را به حوزه فرکانس تبدیل می‌کند. هر لایه از شبکه با یک پردازنده‌ی نوری واحد، عملیات ریاضی خطی و غیرخطی را به‌صورت هم‌زمان انجام می‌دهد. به گفته دکتر رونالد دیویس (Ronald Davis III)، پژوهشگر فارغ‌التحصیل دکتری سال 2024 “می‌توان 10.000 نورون را در یک دستگاه جای داد و تمام ضرب‌های موردنیاز را در یک مرحله محاسبه کرد”.
با انتقال داده‌ها به‌صورت آنالوگ و نزدیک به حد ظرفیت شانون (حداکثر اطلاعات قابل انتقال از طریق یک کانال ارتباطی)، عملکرد این چیپ صدها برابر سریع‌تر از گیرنده‌های RF دیجیتال فعلی خواهد بود. در یک بازه زمانی 120 نانوثانیه‌ای، این دستگاه دقت 85 درصدی را ثبت کرد و با انجام چند اندازه‌گیری بیشتر می‌توان به دقت بالای 99 درصد نیز دست یافت. دکتر دیویس می‌افزاید:
هرچه مدت اندازه‌گیری بیشتر شود، دقت بالاتر می‌رود. و از آنجا که MAFT-ONN در نانوثانیه نتیجه‌گیری می‌کند، برای افزایش دقت عملاً سرعت از دست نمی‌رود.
در قیاس با چیپ‌های دیجیتال، این پردازنده فوتونی (مبتنی بر نور) حدود 100 برابر سریع‌تر عمل می‌کند، مصرف برق بسیار کمتری دارد، و در عین حال کوچک‌تر، سبک‌تر و ارزان‌تر است. از این رو، گزینه‌ای عالی برای دستگاه‌های لبه‌ای نظیر رادیوهای شناختی (Cognitive Radios) به‌شمار می‌رود که در لحظه فرمت مدولاسیون خود را تغییر می‌دهند تا نرخ داده را افزایش و تداخل را کاهش دهند.
پروفسور دیرک انگلوند (Dirk Englund)، استاد مهندسی برق و علوم رایانه در MIT و نویسنده ارشد مقاله‌ی منتشرشده در نشریه Science Advances، می‌گوید:
دستگاه‌هایی که بتوانند سیگنال‌های بیسیم را تحلیل کنند، کاربردهای فراوانی خواهند داشت. آنچه در مقاله ارائه کرده‌ایم، می‌تواند راه را برای استنتاج آنی و قابل اعتماد مبتنی بر هوش مصنوعی باز کند. این آغاز چیزی است که شاید تأثیری شگرف داشته باشد.
افزون بر حوزه ارتباطات بیسیم، پیش‌برد یادگیری عمیق با سرعت نور می‌تواند زمینه‌هایی مانند خودروهای خودران (با واکنش آنی) یا ضربان‌سنج‌های هوشمند (با نظارت لحظه‌ای بر سلامت قلب) را نیز متحول سازد. مرحله‌ی بعدی تیم تحقیقاتی شامل افزودن طرح‌های چندگانه‌سازی (Multiplexing) جهت ارتقاء بیشتر توان محاسباتی و سازگار کردن طراحی با مدل‌های هوش مصنوعی بزرگ‌تر نظیر ترنسفورمرها و مدل‌های زبانی حجیم خواهد بود.
