近日，东南大学毫米波全国重点实验室、电磁空间研究院崔铁军院士团队首次提出并实现了基于人工表面等激激元的具有可编程权重和激活函数的人工神经网络智能平台。相关工作以Programmable surface plasmonic neural networks for microwave detection and processing为题发表在Nature Electronics上[1]。东南大学高欣欣博士（现为香港城市大学博士后）、马骞博士（现为东南大学至善博后）和硕士研究生顾泽为共同第一作者，崔铁军院士和马骞博士为通讯作者。
研究背景
随着信息技术和无线通信的不断发展，以及第五代通信网络的广泛建立和应用，现代信息社会的数据量呈现爆炸式增长，对这些海量数据的研究分析也随之成为一个重要方向。以深度学习为代表的人工智能算法作为分析海量数据并发掘其中隐含关联的重要技术，已在自然语言处理、计算机视觉、自动驾驶和医疗诊断等多个重要领域广泛应用。在通信行业，人工智能也被用来实现信道建模、来波感知、加密通信等，为缓解日益拥挤的无线通信环境提供了新的途径。
目前，人工智能的实现依赖于人工神经网络——受人脑信号处理启发的计算网络模型，同时一系列使用光计算技术来代替传统电子电路实现人工神经网络计算的方法和硬件也应运而生，例如光学神经网络和衍射深度神经网络等[2,3]。但是这些人工智能计算硬件仅能实现特定的人工神经网络运算（例如图像识别），无法进行现场可编程及可重构操作。针对这一问题，崔铁军院士团队在构建了具有现场可编程功能、且可直接调控空间电磁波的衍射神经网络硬件系统[4]，利用FPGA能任意调节人工神经元的权重系数，为在电磁空间进行一体化智能计算、探测、无线通信等提供了新思路。但该工作并未实现对电磁波的非线性激活，而非线性激活函数对于复杂问题的处理是至关重要的。近年来，人工表面等离激元的发展[5]为实现新的波空间非线性人工神经网络提供了良好契机。崔铁军院士团队依靠长期以来在人工表面等离激元超材料的理论和技术积淀[6,7]，率先使用可编程人工表面等离激元功分器和耦合器实现了具有非线性激活函数的现场可编程人工表面等离激元神经网络硬件，简称为可编程表面等离激元神经网络（SPNN）。
创新研究
研究团队利用人工表面等离激元(SSPP)系统中的功分器和耦合器作为可编程的人工神经元，称之为SSPP单元（如图1a所示）。利用SSPP对电磁波的低损传导特性来实现人工神经元之间的连接和信号传输，利用检测端口和放大器偏置电路之间的闭环反馈系统实现可编程的非线性激活函数（例如Relu, Relu2, Tanh, 和Sigmoid函数），如图2所示。整个SPNN系统由多个子模块组合而成，每个子模块包含4个输入SSPP单元和4个输出SSPP单元进行交叉连接，形成一个全连接的4*4可编程神经元子块，如图1b所示。最后，以多个可编程神经子块进行局部连接排布，构建了最终的可编程表面等离激元神经网络，如图1c所示。SPNN的可编程特性保证了其能够使用相同的平台实现不同的任务，构建出通用的电磁波空间智能信号感知处理平台。
图1 可编程表面等离激元神经网络
图2 可编程激活函数
为了验证SPNN在电磁探测和信息处理上的应用，团队设计并展示了基于SPNN的无线通信实时解码案例，实现了图像的无线传输，如图3所示。在通信系统的发射端，通过射频开关将图像信息流映射到四个发射天线上，之后通过四个接收天线来接收源自发射端的电磁波。此时，通过将SPNN放置于传输信道中，来自发射天线阵列的信号即可馈入SPNN系统中进行图像信号的无延时快速解码，最终输出接收到的图像。此案例表明，SPNN神经网络有望代替现代无线通信系统模拟前端（例如混频器和模拟数字转换器）中的传统射频组件，以实现大容量信号处理功能。更重要的是，SPNN通信系统的解码速率将不再受基带处理时钟速率的限制，理论上能以近似光速执行。
图3 基于SPNN的编解码通信实验
为了验证SPNN在传统人工智能任务（例如图像分类）上的性能，团队使用SPNN构造了局部连接的人工神经网络结构，成功实现了对10类手写数字图片的分类任务，识别正确率达到了90%以上，达到了全连接网络的分类性能。
总结
相比于以往的物理神经网络研究，此工作有3个鲜明的创新特征。一是开创性地将人工表面等离激元用于电磁波空间人工神经网络的设计，实现了所有神经元的独立可编程，具有高度的通用性；二是率先在波空间神经网络中实现了非线性激活函数，有望操作更加复杂的信号处理和人工智能任务；三是该SPNN不但具有传统的图像智能识别功能，还具有无线通信和智能探测等功能，兼具智能计算机、通信系统、雷达系统等功能于一身。SPNN作为全新的电磁空间非线性可编程智能计算平台和无线通信与信号感知处理机，该成果有望促进人工智能技术的进一步发展，同时在新一代智能计算、6G通信、智能家居、物联网等领域取得应用。
本工作得到国家自然科学基金基础科学中心项目、国家科技部重点研发计划项目、国家外专局111项目等资助。
论文链接：https://www.nature.com/articles/s41928-023-00951-x
DOI：10.1038/s41928-023-00951-x
参考文献：
[1] X. Gao, et al. Programmable surface plasmonic neural networks for microwave detection and processing, Nature Electronics, https://www.nature.com/articles/s41928-023-00951-x
[2] Y. Shen, et al. Nonlinear germanium-silicon photodiode for activation and monitoring in photonic neuromorphic networks. Nature Photonics 13, 6048, 2017.
[3]X. Lin et al., All-optical machine learning using diffractive deep neural networks, Science, vol. 361, no. 6406, pp. 1004-1008, 2018
[4] C. Liu, et al. A programmable diffractive deep neural network based on a digital-coding metasurface, Nature Electronics 5, 113, 2022.
[5] J. B.Pendry, et al. Mimicking surface plasmons with structured surfaces. Science 305, 847, 2004.
[6] F. J. Garcia-Vidal, A. I. Fernandez-Dominguez, L. Martin-Moreno, H. C. Zhang, W. Tang, R. Peng, and T. J. Cui, “Spoof surface plasmon photonics,” Review of Modern Physics, vol. 94, no. 2, 025004, 40 pages, 2022.
[7] X. Gao, et al. Programmable Multifunctional Device Based on Spoof Surface Plasmon Polaritons, IEEE Transactions on Antennas and Propagation 68, 3770, 2020.
撰稿：高欣欣，崔铁军
