近日，中国移动研究院研究论文《Photonic Streaming Convolutional Acceleration for Sub-microsecond Interference Recognition in 6G Radio Access Networks》被中科院二区TOP期刊《Journal of Lightwave Technology》（影响因子5.2）正式接收。该研究首次将已在图像与通用信号处理中得到验证的光子流卷积计算架构引入6G无线接入网（RAN）干扰识别场景，基于中国移动现网数据对10类典型干扰实现88%识别准确率，硬件端到端时延约220ns、核心光计算时延低至20ns，为光子计算在下一代边缘网络中的实际部署提供了关键实验证据。

论文首页

随着5G向6G演进，通感一体化雷达信号、非地面网络干扰及新型恶意攻击等干扰源不断涌现，干扰已从性能制约因素演变为限制网络效率与可靠性的瓶颈。作为以人工智能增强空口能力的关键路径，AI for RAN所依托的频谱感知、动态调度与跨小区协同优化，均以准确及时的干扰识别为前提。然而，受限于冯·诺依曼架构的数据搬运开销，使得传统电子方案在基站功耗与成本约束下，难以满足既定时延内高并行度、流式推理的需求；而无线干扰本质上是连续时变的流式信号，恰与光子计算天然的流式处理范式高度契合。

6G无线系统干扰场景与自适应干扰处理链路示意图

研究团队据此将光子流卷积架构首次拓展至6G RAN干扰识别，在下一代6G RAN基站架构中，光子流卷积加速器嵌入物理层链路：天线接收干扰与期望信号并完成频谱感知后，物理层在线提取频域干扰特征，直接以流式馈入光子卷积核心——其间无需任何离线数据加载环节。在光域内，干扰数据按物理资源块编码为1×273，光频梳谱线承载卷积核权重，经马赫-曾德尔调制器加权复制后在色散延迟线中逐级延时，由高速平衡探测完成正负权重对齐求和，一次性完成一维卷积；随后交由电子后端完成激活、池化与全连接分类，识别结果实时送达智能接收机与MAC层，支撑动态调度与跨小区协同等资源管理决策。这一内联物理层识别链路，与CIS-RAN架构主张高度一致——将AI与算力同BBU池共部署、把AI业务终结在RAN侧，实现超低时延的服务化处理。

实验数据来自中国移动现网，经OMC北向接口采集的PRB功率统计，覆盖700M干扰、LTE D频段干扰、伪基站干扰、干扰器、时钟源故障等10类，共9306个样本。所用网络由一层卷积层与两层全连接层构成，卷积核为1×9。实验结果显示，准确率达88%；核心光卷积仅20ns，且不随输入长度或卷积核数量增长。能耗上，光卷积核心低至皮焦量级，实验与理想数字卷积的归一化均方误差仅0.0539，验证了系统的鲁棒性与稳定性。在网络规模方面，本工作采用浅层网络架构，其定位在于验证光域卷积与电子卷积在计算层面的等效性。实验与电子计算取得的识别准确率均为 88%，表明当前精度上限主要受限于网络模型本身，而非光子卷积计算实现方式。进一步来说，若采用 ResNet18、YOLO 等更深层网络，识别准确率有望进一步提升；鉴于卷积运算在该模型中占总计算时延的 80%–90%，以光子流式卷积计算加速器替代电子卷积单元后，更深层网络所获得的时延优化收益将更为显著。

研究最后强调，本工作的核心创新在于将光子卷积加速范式从图像与通用信号处理拓展至无线干扰管理，并基于真实现网数据完成验证。随着任务从单一干扰识别扩展到感知、通信、计算与智能多功能融合，光子计算所消除的计算瓶颈将愈发关键，为资源受限的边缘基站实现用户无感的网络自治与优化提供了全新硬件方案。