IT之家 8 月 5 日消息，科技媒体 NeoWin 昨日（8 月 4 日）发布博文，报道称麻省理工学院（MIT）的研究团队开发了一种新型 AI 芯片，名为乘法模拟频率变换光神经网络（MAFT-ONN）。这种芯片能够直接在原始射频信号上以模拟形式工作，处理速度比传统射频接收器快数百倍，且更加节能。

艾霍姆定律（Edholm's Law）描述了无线网络数据传输速率的增长趋势，无线网络的带宽和数据传输速率大约每 18 个月翻一番。与此同时，深度神经网络对计算能力的需求也在不断上升，而摩尔定律的速度却在放缓，这种不匹配推动了工程师们寻找处理未来网络（如 ）的新方法。

麻省理工学院的一个团队开发了一种专门用于无线信号的 AI 芯片，名为乘法模拟频率变换光神经网络（MAFT-ONN）。实验室测试中，它的调制分类准确率迅速达到了 95%，还能执行近四百万次完全模拟的乘积累加操作，识别 MNIST 数据集中的手写数字。

传统的光神经网络在扩展时常常遇到障碍，并需要大量额外的硬件。MAFT-ONN 通过在数字化之前将信号转换到频域解决了这一问题，每一层都使用单个光处理器现场完成直线（线性）和更复杂的（非线性）数学运算。

得益于在接近香农极限（指在信道上进行无差错传输的理论最大传输速率）的模拟形式下移动数据，MAFT-ONN 的运行速度比传统射频接收器快数百倍，在一次 120 纳秒的发射中，它达到了 85% 的准确率，通过进行更多测量，准确率可以超过 99%。

与数字 AI 芯片相比，这种基于光学的处理器速度大约快 100 倍，同时消耗的功率更少。它也更小、更轻、更便宜，因此非常适合边缘设备，如实时调整调制格式的认知无线电，以提高数据传输速率并减少干扰。