近日，好意思国康奈尔大学栽种艾莉莎阿普塞尔（Alyssa Apsel）和团队提议一种微波神经收罗（MNN，microwave neural network），其取舍程序的互补金属氧化物半导体（CMOS，Complementary metal-Oxide-Semiconductor）时期制造，在芯片上仅占据 0.088 平日毫米的超紧凑尺寸，可复旧集成到通用模拟处分器中，何况梗概十足集成在硅基微芯片上。它不错为无线电信号解码、雷达盘算推算追踪和数字数据处分等任求实行及时频域意象，而且功耗不到 200 毫瓦。

图 | 好意思国康奈尔大学栽种艾莉莎阿普塞尔（Alyssa Apsel）（https://www.engineering.cornell.edu/people/alyssa-b-apsel/）

当施加低频参数调制的时候梗概编削微波神经收罗的响应，这种可再行编程、特征丰富的频谱，荒谬合适用于机器学习推理任务。该要害能在宽带信号的所有这个词带宽（数千兆赫宽）内收尾瞬时模拟意象，据筹议东谈主员所知，这是业内初次在集成电子斥地中展示此类智商，这意味着一种新式高速意象要害的精良面世，相关论文于近期发表在 Nature Electronics（IF 40.9）。

图 | 筹议东谈主员将这款低功耗微芯片称为“微波大脑”，它是首款通过运用微波物理特质，同期对超高速数据信号和无线通讯信号进行意象的处分器。（贵寓图）

01

在芯片上构建首个“微波大脑”

基于微波神经收罗，筹议东谈主员在芯片上构建了首个“微波大脑”，这是一种低功耗的微芯片，亦然首款运用微波物理特质从而梗概同期针对超高速数据信号和无线通讯信号进行意象的芯片。

图 | 相关论文（Nature Electronics）

该款芯片既能实行初级逻辑功能，也能完成复杂任务，举例梗概识别高速数据中的比特序列或统计二进制值。在波及无线信号类型的多项分类任务中，它的准确率不低于 88%，能与数字神经收罗的准确率相比好意思，但是功耗和尺寸仅有后者的一小部分。

在筹议东谈主员所打造的首个原型样品中，他们讲明微波神经收罗梗概替代射频和微波机器学习任务中大部分数字收罗，同期所耗尽的功率获得大幅申斥，梗概解脱高时钟速率带来的包袱。需要阐明的是，时钟速率是电子斥地中中枢责任节律的基准参数，时时以赫兹（Hz）为单元来暗示每秒实行的周期数，较高的时钟速率会拖慢数字系统并使其发烧。真义的是，这款芯片还能模拟数字功能，从而梗概替代冗长的时序逻辑信号链。

（Nature Electronics）

这款芯片背后的电路拓扑结构，是论文第一作家巴拉・戈文德（Bala Govind）在康奈尔大学读大二和大三时代，经过数月想考赋闲酿成的。他在康奈尔大学官网的报谈中暗示，在校园山坡的屡次漫步中，他完成了上述结构的构想。

图 | 论文第一作家巴拉・戈文德（Bala Govind）（https://www.linkedin.com/in/bal-govind-6840979b/）

毫无疑问，微波神经收罗是本次罢独特以顺利完成的重中之重，那么它到底是如何降生的？

02

微波神经收罗是如何责任的？

据了解，微波神经收罗是一个非线性系统，它通过产生雷同梳状、对输入明锐的频谱来进行意象。下图展示了产生这一频谱的电磁结构，该结构由一条非线性波导（标志为 A）和三条线性波导（标志为 B、C 和 D）构成。非线性波导的频率样式受到输入微波启动信号的幅度和相位的激烈影响，而线性波导的样式则基本不受这些信号的影响。

（Nature Electronics）

筹议中，筹议东谈主员通过取舍“地-信号-地-信号-地”（GSGSG，Ground–signal–ground–signal–ground）结构的波导，将吉赫兹速率的信号注入该系统。然后，构建于两层重复金属之上的小型正交羼杂耦合器，将这些输入信号进行功率分派，并将其指点至不同的波导中。这些被分割的小部分启动信号随后会在波导中反射，并在耦合器的输出端口叠加，再通过另一组 GSGSG 波导索要出来。

如下图所示，输入明锐性的主要来源是波导 A 内一系列耦合的非线性谐振器，这些谐振器由电感段与非线性电容组合而成。

（Nature Electronics）

筹议历程中，筹议东谈主员使用了反并联二极管，这是因为它们梗概产生具有多项式非线性的电容，而其非线性进程则取决于所施加的偏置电压以及微波信号的强度。

在论文中，筹议东谈主员还展示了非线性波导的扭结情景布局，当沿着其长度进行周期性地装配开关，就不错延长或者裁汰微波信号复返直流电源的旅途，在此时代并不会引入失真。

更蹙迫的是，通过在一双波导之间联接的一双开关的开启与关闭，筹议东谈主员成立了参数化耦合。这些开关齐是 N 型金属氧化物半导体（NMOS，N-type metal-Oxide-Semiconductor）晶体管，并由一个比特流加以完结，该比特流的速率仅为输入数据速率的百分之一（150Mbit/s），并通过第三条“地-信号-地”（GSG，Ground–signal–ground）波导传输。这种开-关轮流的参数耦合序列，是针对神经收罗样式收尾动态再行编程的关键，这使其梗概针对不应承象任务进行成就，从而与其他轮回神经收罗测验要害有确切质鉴识。

（Nature Electronics）

而为了在数十吉赫兹的高频下保管由高幅度微波传输引起的非线性，筹议东谈主员通过交叉耦合的晶体管收尾了再素性的弥漫增益。下图展示了微波神经收罗的实测频谱响应。不错看到，即使在莫得启动信号或参数切换的情况下，其频谱也高度依赖于飘零器中枢供电电压以及施加在非线性电容上的偏置等要素。当秉承到 12Gbit/s 的本征超宽带数据时，其频谱响应变得荒谬复杂。而微波神经收罗中的非线性，将输入频谱的一谈特征映射到其响应最为显耀的边界。据筹议东谈主员所知，这亦然业内初次在集成 CMOS 电路中通过主动耦合非线性谐振产生微波梳状频谱的实例。

（Nature Electronics）

筹议东谈主员进一步指出：开首，这一假想决策与传统 CMOS 飘零器有着较大不同，后者依赖对称性来收尾清晰的单音飘零；其次，这一假想决策也不同于通过产生隐微谐波梳来进行光谱分析的复杂脉冲整形电路。由于筹议东谈主员旨在运用商用 CMOS 工艺收尾这一模拟意象机，因此假想品性因数最初 40 的电磁结构并不实践。另据悉，克尔梳（Kerr combs）和电光频率梳（electro-optic frequency combs）等清晰的光学频率源，它们与芜乱的外部启动信号具有精熟的梗阻性。而本次筹议东谈主员在假想决策上特意让耦合波导披露于输入微波之下，恰是这种关于宽带输入的特意披露，使得谐振器里面的非线性和非对称性梗概收尾近乎瞬时的意象。

实验中，筹议东谈主员通过保抓线性波导（B、C、D）与波导 A 的标称飘零频率高度失谐，来减少物理电路参数数目。其指出，通过应用广义耦合模表面，该系统可被描摹为一组互相联接的非线性样式，其中第一个非线性样式通过慢速参数耦合和固定相位延伸与线性样式不息。与此同期，这一系统由可弥漫增益供电，参数飘零由快速微波启动信号调制，这些信号动态不仅梗概再行成就谐振器的阻抗，何况梗概塑造系统的稳态频谱响应。

图 | 康奈尔大学博士生巴拉戈文德（Bal Govind）与该校艾莉莎阿普塞尔（Alyssa Apsel）栽种合并研发出了一种始创的微波神经收罗，该收罗十足集成在硅微芯片上。它能为无线电信号解码、雷达盘算推算追踪和数字数据处分等任求实行及时频域意象，而所有这个词历程的功耗不到 200 毫瓦。（贵寓图）

筹议东谈主员指出，微波神经收罗的能源学与操心酿成的神经收罗模子具有同样性。在神经系统中，操心存储在清晰、重复的信拒却换样式中，这些样式酿成于互连的节点即神经元之间。这些吸弁言收罗通过响应外部输入而酿成，并通过转化节点间的权重而产生抓久样式。然则，跟着时分的推移，这些样式会从清晰的结构化行径赋闲颤动为愈加微辞的情景，从而允很多个收罗在系统中共存。当收罗从固定点吸弁言过渡到微辞吸弁言时，系统变得越来越迅速，导致操心衰败并最终丢失。

筹议东谈主员发现，在本次电路中也出现了雷同的从结构化情景向更微辞情景的颤动，何况略显微辞的情景可能会演化为高度微辞的样式以及十足微辞的情景。这种演化反馈了系统中操心的存在与衰败，它的发生源于微波启动信号与频率调制微波参数飘零之间的特定互相作用。这种行径也与脉冲神经收罗、基于能量的模子以及生物大脑中不雅察到的联接样式高度同样。

（Nature Electronics）

03

或能开发与频段无关的神经收罗处分器

需要阐明的是，本次实验中的物理参数，比如非线性电容偏压、谐振器频率和可弥漫增益，均保抓为固定值。假如梗概动态地转化这些参数，并能取舍更模拟化的参数耦合面孔，而非只是依赖二进制比特流启动的开关，那么将有但愿提高测验精度和考证精度。

此外，通过使用单一线性波导替代现存的三个波导结构，不错进一步减少芯片组件数目。通过取舍紧凑型的假想决策，异日还能收尾互联式频率梳阵列的构建，从而生成更丰富的输出频谱，进而在压缩带宽内提供更多特征。这么一来既能改进测验数据质地，也能促进单元间的罪状创新。

尽管该芯片当今仍然处于实验阶段，但是筹议东谈主员对其可推广性抓乐不雅气魄。脚下，他们正在尝试提高其准确性，并将尝试把其集成到微波平台和数字处分平台中。

通过充分探索假想空间，筹议东谈主员但愿梗概开发出一种与频段无关的神经收罗处分器，通过解码复杂的超高速数字数据以及粉饰数百吉赫兹的毫米波信号世界杯体育，进而让微波神经收罗可被用于散播式旯旮意象、智能传感、加密、特征索要和超快速东谈主工智能推理等边界，同期梗概减少无线和电光链路中高速数据互连所靠近的带宽问题和功率支出问题。