近日，美国康奈尔大学教授艾莉莎阿普塞尔（Alyssa Apsel）和团队提出一种微波神经网络（MNN，microwave neural network），其采用标准的互补金属氧化物半导体（CMOS，Complementary metal-Oxide-Semiconductor）技术制造，在芯片上仅占据 0.088 平方毫米的超紧凑尺寸，可支持集成到通用模拟处理器中，并且能够完全集成在硅基微芯片上。它可以为无线电信号解码、雷达目标跟踪和数字数据处理等任务执行实时频域计算，而且功耗不到 200 毫瓦。

图 | 美国康奈尔大学教授艾莉莎阿普塞尔（Alyssa Apsel）（https://www.engineering.cornell.edu/people/alyssa-b-apsel/）

当施加低频参数调制的时候能够改变微波神经网络的响应，这种可重新编程、特征丰富的频谱，非常适合用于机器学习推理任务。该方法能在宽带信号的整个带宽（数千兆赫宽）内实现瞬时模拟计算，据研究人员所知，这是业内首次在集成电子设备中展示此类能力，这意味着一种新型高速计算方法的正式面世，相关论文于近期发表在 Nature Electronics（IF 40.9）。

图 | 研究人员将这款低功耗微芯片称为“微波大脑”，它是首款通过利用微波物理特性，同时对超高速数据信号和无线通信信号进行计算的处理器。（资料图）

01

在芯片上构建首个“微波大脑”

基于微波神经网络，研究人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，也是首款利用微波物理特性从而能够同时针对超高速数据信号和无线通信信号进行计算的芯片。

图 | 相关论文（Nature Electronics）

该款芯片既能执行低级逻辑功能，也能完成复杂任务，例如能够识别高速数据中的比特序列或统计二进制值。在涉及无线信号类型的多项分类任务中，它的准确率不低于 88%，能与数字神经网络的准确率相媲美，但是功耗和尺寸仅有后者的一小部分。

在研究人员所打造的首个原型样品中，他们证明微波神经网络能够替代射频和微波机器学习任务中大部分数字网络，同时所消耗的功率得到大幅降低，能够摆脱高时钟速度带来的负担。需要说明的是，时钟速度是电子设备中核心工作节奏的基准参数，通常以赫兹（Hz）为单位来表示每秒执行的周期数，较高的时钟速度会拖慢数字系统并使其发热。有趣的是，这款芯片还能模拟数字功能，从而能够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，是论文第一作者巴拉・戈文德（Bala Govind）在康奈尔大学读大二和大三期间，经过数月思考逐渐形成的。他在康奈尔大学官网的报道中表示，在校园山坡的多次散步中，他完成了上述结构的构思。

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

毫无疑问，微波神经网络是本次成果得以顺利完成的重中之重，那么它到底是如何诞生的？

02

微波神经网络是如何工作的？

据了解，微波神经网络是一个非线性系统，它通过产生类似梳状、对输入敏感的频谱来进行计算。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（标记为 A）和三条线性波导（标记为 B、C 和 D）组成。非线性波导的频率模式受到输入微波驱动信号的幅度和相位的强烈影响，而线性波导的模式则基本不受这些信号的影响。

（Nature Electronics）

研究中，研究人员通过采用“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，构建于两层重叠金属之上的微型正交混合耦合器，将这些输入信号进行功率分配，并将其引导至不同的波导中。这些被分割的小部分驱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 波导提取出来。

如下图所示，输入敏感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）

研究过程中，研究人员使用了反并联二极管，这是因为它们能够产生具有多项式非线性的电容，而其非线性程度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，研究人员还展示了非线性波导的扭结状态布局，当沿着其长度进行周期性地安装开关，就可以延长或者缩短微波信号返回直流电源的路径，在此期间并不会引入失真。

更重要的是，通过在一对波导之间连接的一对开关的开启与关闭，研究人员建立了参数化耦合。这些开关都是 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控制，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-关交替的参数耦合序列，是针对神经网络模式实现动态重新编程的关键，这使其能够针对不同计算任务进行配置，从而与其他循环神经网络训练方法有着本质区别。

（Nature Electronics）

而为了在数十吉赫兹的高频下维持由高幅度微波传输引起的非线性，研究人员通过交叉耦合的晶体管实现了再生性的饱和增益。下图展示了微波神经网络的实测频谱响应。可以看到，即使在没有驱动信号或参数切换的情况下，其频谱也高度依赖于振荡器核心供电电压以及施加在非线性电容上的偏置等因素。当接收到 12Gbit/s 的本征超宽带数据时，其频谱响应变得非常复杂。而微波神经网络中的非线性，将输入频谱的全部特征映射到其响应最为显著的范围。据研究人员所知，这也是业内首次在集成 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）

研究人员进一步指出：首先，这一设计方案与传统 CMOS 振荡器有着较大不同，后者依赖对称性来实现稳定的单音振荡；其次，这一设计方案也不同于通过产生微弱谐波梳来进行光谱分析的复杂脉冲整形电路。由于研究人员旨在利用商用 CMOS 工艺实现这一模拟计算机，因此设计品质因数超过 40 的电磁结构并不现实。另据悉，克尔梳（Kerr combs）和电光频率梳（electro-optic frequency combs）等稳定的光学频率源，它们与混乱的外部驱动信号具有良好的隔离性。而本次研究人员在设计方案上有意让耦合波导暴露于输入微波之下，正是这种对于宽带输入的有意暴露，使得谐振器内部的非线性和非对称性能够实现近乎瞬时的计算。

实验中，研究人员通过保持线性波导（B、C、D）与波导 A 的标称振荡频率高度失谐，来减少物理电路参数数量。其指出，通过应用广义耦合模理论，该系统可被描述为一组相互连接的非线性模式，其中第一个非线性模式通过慢速参数耦合和固定相位延迟与线性模式相连。与此同时，这一系统由可饱和增益供电，参数振荡由快速微波驱动信号调制，这些信号动态不仅能够重新配置谐振器的阻抗，并且能够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）教授合作研发出了一种首创的微波神经网络，该网络完全集成在硅微芯片上。它能为无线电信号解码、雷达目标跟踪和数字数据处理等任务执行实时频域计算，而整个过程的功耗不到 200 毫瓦。（资料图）

研究人员指出，微波神经网络的动力学与记忆形成的神经网络模型具有相似性。在神经系统中，记忆存储在稳定、重复的信息交换模式中，这些模式形成于互连的节点即神经元之间。这些吸引子网络通过响应外部输入而形成，并通过调整节点间的权重而产生持久模式。然而，随着时间的推移，这些模式会从稳定的结构化行为逐渐转变为更加混沌的状态，从而允许多个网络在系统中共存。当网络从固定点吸引子过渡到混沌吸引子时，系统变得越来越随机，导致记忆衰退并最终丢失。

研究人员发现，在本次电路中也出现了类似的从结构化状态向更混沌状态的转变，并且略显混沌的状态可能会演化为高度混沌的模式以及完全混沌的状态。这种演化反映了系统中记忆的存在与衰退，它的发生源于微波驱动信号与频率调制微波参数振荡之间的特定相互作用。这种行为也与脉冲神经网络、基于能量的模型以及生物大脑中观察到的连接模式高度相似。

（Nature Electronics）

03

或能开发与频段无关的神经网络处理器

需要说明的是，本次实验中的物理参数，比如非线性电容偏压、谐振器频率和可饱和增益，均保持为固定值。假如能够动态地调整这些参数，并能采用更模拟化的参数耦合方式，而非仅仅依赖二进制比特流驱动的开关，那么将有希望提升训练精度和验证精度。

此外，通过使用单一线性波导替代现有的三个波导结构，可以进一步减少芯片组件数量。通过采用紧凑型的设计方案，未来还能实现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。这样一来既能改进训练数据质量，也能促进单元间的误差校正。

尽管该芯片目前仍然处于实验阶段，但是研究人员对其可扩展性持乐观态度。眼下，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理平台中。

通过充分探索设计空间，研究人员希望能够开发出一种与频段无关的神经网络处理器，通过解码复杂的超高速数字数据以及覆盖数百吉赫兹的毫米波信号，进而让微波神经网络可被用于分布式边缘计算、智能传感、加密、特征提取和超快速人工智能推理等领域，同时能够减少无线和电光链路中高速数据互连所面临的带宽问题和功率开销问题。