在智能感知领域，如雷达、机械视觉、医学成像等，决议所依赖的要害信息往往是希罕的。例如，一个单音节波形虽需要数千个采样点，却仅包括少量信息。若能直接在信号吸收的模拟环节提取要害信息，则可大幅镌汰数据冗余及传输速率，从而显著降低数字处置惩罚的挑战。因此，所谓的“模拟特征提�。ˋFE）”战略受到智能感知领域的普遍关注。然而，在射频（RF）感知领域，通常需要数GHz宽带信号以辨识目的细节，但现有RF电路的带宽和可重构性瓶颈限制了AFE战略的应用。
《光科学与应用》杂志近期揭晓的一篇新论文中，上海交通大学电子工程系、智能微波光波集成立异中心（imLic）、高级光通讯系统与网络国家重点实验室的邹伟文教授及其团队开发了一种光子计划，实现了宽带RF信号的AFE。原则上，由于其宽带能力和可重构性，光子学被视为RF信号处置惩罚的有力候选者。若能在光子电路中实现特征提取的物理结构，则输入信号可直接转化为特征，无需数字处置惩罚�；诖怂夹�，他们实现了一个能直接从天线吸收的原始RF信号中输出要害特征的光子芯片。使用这些特征，可高精度识别差别目的。该计划为自动驾驶、机械人、智能工厂中的高效信号处置惩罚提供了有希望的路径。
图1：光子特征提取器的事情原理和效果。A，光子特征提取器模拟卷积神经网络。从天线输入的射频信号（目的反射的回波）在模拟域举行处置惩罚，输出是提取的特征。特征由模数转换器（adc）纪录，全毗连网络对目的举行分类。B、光子芯片和封装�？榈恼掌�。C、实验效果的可视化剖析。在光子特征提取之前，目的的嵌入难以区分。在举行光子特征提取后，可以区分目的的嵌入。
他们计划的焦点是光子芯片�？蒲Ъ颐亲芙崃斯庾有酒氖虑樵恚�“特征提取结构实质上是一个输出输入信号时空特征的卷积神经网络。光子芯片模拟神经网络对RF信号举行特征提取。别的，我们为光子特征提取系统设计了一种高效训练要领，大幅降低了神经网络训练本钱，使训练成为可能。”
图2：评价PAFE的有用性和功效的较量研究效果。
“实验效果显示，光子特征提取器在坚持优异目的识别准确率（97.5%）的同时，将数据传输速率压缩了4倍。我们剖析效果发明，光子时空特征提取器的识别准确率比未举行特征提取时提高了7.7%。与一维特征提取相比，时空特征提取性能提高了6%。因此，我们验证了光子特征提取器的有用性。”他们增补道，“我们相信，sunbet提议将催化宽带RF信号处置惩罚自然高效AFE战略的生长，并为下一代认知RF感知系统提供有希望的路径。”
杂志：Light Science & Applications
DOI：10.1038/s41377-024-01390-9
