Результаты работы опубликованы 14 августа в журнале Nature Electronics. Новый чип представляет собой полнофункциональную микроволновую нейронную сеть (Microwave Neural Network, MNN), которая впервые полностью уместилась на интегральной схеме.
Волновая нейросеть
Вместо цифровых транзисторных логических схем MNN использует аналоговые микроволновые волны для выполнения вычислений. Сеть создаёт уникальную «гребенчатую» картину сигнала, где равномерно распределённые частоты действуют как линейка — позволяя мгновенно измерять и обрабатывать большие объёмы данных.
«Благодаря возможности мгновенно программировать искажения в широкой полосе частот, чип можно перенастраивать под разные вычислительные задачи», — объяснил ведущий автор работы Бал Говинд, докторант Корнельского университета. «Он устраняет множество этапов обработки сигналов, которые обычно требуются цифровым компьютерам».
Быстрее и экономичнее
Микроволновый чип способен выполнять простые логические операции и сложные задачи распознавания с точностью до 88%, включая классификацию беспроводных сигналов. Работая в аналоговом диапазоне частот порядка 20 гигагерц, он достигает скоростей, многократно превышающих возможности бытовых процессоров (2,5–4 ГГц).
При этом энергопотребление чипа не превышает 200 милливатт — примерно столько же, сколько тратит мобильный телефон при передаче данных. Для сравнения, современные настольные процессоры требуют от 65 Вт и выше.
«Бал отказался от многих традиционных подходов, чтобы достичь этого», — отметила соавтор исследования Алисса Апсел, директор Школы электротехники и вычислительной техники Корнелла. — «Вместо имитации цифровых нейросетей он создал управляемую „кашу“ частот, которая демонстрирует поразительную производительность».
Прорыв для периферийного ИИ
Низкое энергопотребление и высокая скорость делают микроволновые чипы перспективными для периферийных вычислений и носимых устройств, где критичны задержка и автономность. Такая архитектура может устранить необходимость постоянного подключения к облаку, обеспечивая локальную обработку данных ИИ с минимальными затратами энергии.
Следующий этап проекта — миниатюризация и упрощение конструкции, в частности уменьшение числа волноводов и интеграция взаимосвязанных спектральных гребней для обучения нейросети.
Если вам понравился материал, кликните значок - вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал - не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
