突破香农极限的射频光子深度学习处理器：实现全模拟射频信号AI推理的新型加速架构

为解决6G时代射频信号处理中数字架构的延迟瓶颈与光学神经网络(ONN)的可扩展性问题，MIT团队开发了基于乘法模拟频率变换的光学神经网络(MAFT-ONN)。该架构首次实现全模拟射频信号AI处理，在MNIST分类和调制识别任务中分别达到86.85%和95%准确率，计算吞吐量达3.85 GOPS，系统延迟比传统接收器快数百倍，为未来通信系统提供高性能光电融合解决方案。

　　

随着Edholm定律预测通信数据速率呈指数增长，以及摩尔定律的放缓，6G等先进通信系统面临严峻挑战。传统数字处理器在处理复杂频谱环境时存在固有延迟，而现有光学神经网络(ONN)又受限于可扩展性和系统开销。这种矛盾在实时频谱处理场景中尤为突出——数字架构需要多步骤数据传输，而光学系统虽具潜力却难以同时实现线性与非线性运算的协同优化。

麻省理工学院的研究团队在《SCIENCE ADVANCES》发表的研究中，提出名为"乘法模拟频率变换光学神经网络"(MAFT-ONN)的创新架构。该工作通过将神经元值编码在频率模式的幅度和相位中，利用"光电乘法"实现单次矩阵向量乘积，并借助电光调制器的非线性区域完成激活函数，构建出首个无需数字化的全模拟射频信号AI处理器。

关键技术包括：(1)采用单边带抑制载波(SSB-SC)调制实现频率编码；(2)通过双平行马赫-曾德尔调制器(DPMZM)构建非线性激活；(3)开发频域线性时不变(LTI)处理框架；(4)实现包含390万次乘加运算(MAC)的三层深度神经网络；(5)建立从MNIST分类到调制识别的多任务验证平台。

【MAFT-ONN架构】部分揭示了该系统的核心原理。如图1所示，每个光电乘法单元可物理实现全连接(FC)或一维卷积(CONV)层运算。以2×2矩阵乘法为例，输入信号V_X
(t)与权重信号V_W
(t)经过SSB-SC调制后，其光电乘积V_out
(t)∝Im[V?_X
^*
(t)V?_W
(t)]的傅里叶变换直接对应矩阵运算结果。对于FC层，通过带通滤波器隔离特定频段；而CONV层则保留全部频率成分。

【MNIST数字推理】实验展示了该架构的强大算力。如图2所示，14×14 MNIST图像被编码为196个频率的输入信号，与包含19,600个频率的权重核卷积后，产生39,100个神经元的隐藏层。经DPMZM非线性激活后，再与1000个频率的第二层权重卷积，最终输出10个神经元对应数字分类。实验完成单次推理3,851,600次MAC运算，在10,000样本测试中达到86.85%准确率，接近数字模型的92.52%。误差主要来源于干涉仪路径差引起的非线性激活波纹。

【LTI信号处理】验证了架构的通用性。通过编程权重信号V_W
(t)，系统可实现三类关键操作：(1)Wiener滤波器消除频间串扰和加性高斯白噪声(AWGN)，实验均方误差(MSE)改善37.69%；(2)线性最小二乘估计(LLSE)处理非平稳过程，MSE改善59.68%；(3)匹配滤波器实现全频谱扫描，如图3所示能准确定位目标频率特征。

【调制分类】突破性应用显示其工程价值。如图3D-E所示，系统直接处理包含Rician多径衰落和时钟偏移的原始射频信号，对GFSK、CPFSK等五种调制方式的单次识别准确率达85%，通过五次测量多数表决可提升至95%。值得注意的是，针对BPSK/QPSK等相位调制信号，通过包络检测和瞬时频率提取的预处理，数字孪生模型也能实现90%分类精度。

【讨论】部分强调了该研究的里程碑意义。MAFT-ONN首次实现：(1)射频信号端到端模拟处理，避免数字化瓶颈；(2)单层60ns、总延迟1ms的超低延迟；(3)利用43MHz带宽组件实现3.85 GOPS吞吐量，理论扩展至太赫兹光学带宽后可达peta-OPS级别；(4)系统延迟比FPGA快400-670倍。这些优势使其在5G/6G多输入多输出(MIMO)、认知无线电等场景具有巨大应用潜力。

该研究的创新价值在于：物理层面将香农极限转化为计算优势，算法层面统一了LTI处理与深度学习框架，工程层面采用标准光电器件保证可集成性。未来通过波分复用和空分复用扩展，MAFT-ONN有望成为突破"内存墙"的新一代智能信号处理平台，为后摩尔时代的通信感知一体化提供关键技术支撑。