面向无线通信与感和应用的基于层叠超表面的光电混合神经网络技术研究
一、研究背景
深度学习因其强大的非线性建模能力与适应能力等优点，被广泛引入无线通信的多个领域，如波束形成，信道估计，语义通信等。一般来说，深度学习依赖于神经网络来实现，而大规模的神经网络难以被部署在功耗与硬件条件受限的嵌入式设备上，限制其使用范围。有鉴于此，我们尝试构建一种基于层叠超表面（SIM）的光电混合神经网络（HOENN）架构，并以语义通信与DOA估计两个场景为例，将其用于无线通信与感知领域之中。在我们设计的架构中，基于SIM的光学神经网络（ONN）能够直接在波域中提取电磁波的低维空间分布特征并传递给传统电子神经网络（ENN），以减小整个系统的计算负载。
二、基于层叠超表面的光网络原理
如图1所示，层叠超表面由多层平行的透射型超表面堆叠而成。当电磁波通过层叠超表面时，基于电磁波的衍射原理，相当于对入射电磁波做矩阵运算，该矩阵运算的数学模型可以被表示为：
其中
为超表面的相移矩阵，
为超表面之间的层间传播系数矩阵。由于整个计算过程在电磁波的传播过程中自然完成，因此该结构能低功耗地以光速进行并行计算。
图1 基于层叠超表面的光网络
三、基于光电混合神经网络的语义通信应用
如图2，本文提出了一种语义通信系统，利用无人机和层叠超表面进行灾害识别。无人机通过摄像头拍照，并将图片编码为第一层超表面的复透射系数。之后，ONN提取语义信息并传输到地面接收站，接收站通过ENN解码和恢复语义信号，判别灾害情况。地面接收站使用接收天线的接收功率作为语义信息，可以表示为：
其中
为发射功率，
为无人机到地面接收站的信道矩阵，
为含有图像编码的第一层复透射系数矩阵，
为天线到第一层的层间系数向量。使用接收功率作为语义信息，一方面通过模运算为ONN提供了非线性能力，另一方面避免了复杂的下变频操作，降低了硬件复杂度。
图2 本文使用的语义通信系统示意图
仿真结果：
图3 不同超原子间距下语义识别准确率随着光网络每行超原子数量变化趋势图
图4 不同SIM厚度下语义识别准确率随着接收SNR变化趋势图
仿真结果显示，在灾害识别任务中，HOENN的性能明显优于其中的ONN部分与ENN部分，体现其级联增益。
四、基于光电混合神经网络的DOA估计技术
如图5，本文提出了一种用于二维DOA估计的光电混合神经网络结构。该结构通过光网络将接收信号的空间分布特征提取到接收阵列的幅度信息之中，最后通过ENN生成角谱，并通过时分复用增强ONN的推理能力。本文使用单全连接层作为ENN，因此，整个HOENN的前向传播模型可以表示为：
其中
表示在所有时间块内接收信号集合。
图5 用于DOA估计的基于层叠超表面与时分复用机制的光电混合神经网络结构
另一方面，我们采用了一种分步DOA估计方法。该方法主要分为粗估计与精估计两个阶段，在粗估计中，通过低分辨率角谱缩小预选范围；在精估计中，在预选范围内生成高分辨率角谱以获得最终结果。
图6 分步估计方法示意图
仿真结果
图7 光电混合神经网络生成的角谱（左）粗估计（右）精估计
图8 不同类型神经网络的DOA估计性能对比
图9 双信号与相同接收阵列场景下光电混合神经网络与CBF方法的性能对比
图8展示了HOENN相对单独的ENN部分与ONN部分的级联增益。图9展示了在具有相似计算复杂度的条件下，HOENN可具有远超CBF方法的性能。
五、结语
本文以语义通信与DOA估计两个应用场景为例，提出了一种面向无线通信与感知应用领域的基于层叠智能超表面的光电混合神经网络架构。该结构通过引入高速，低功耗的光网络，减轻了对电子神经网络的规模要求，并且避免了复杂的下变频步骤。相比于传统神经网络，光电混合神经网络为无线通信与感知技术提供了一个在推理能力，计算效率，功耗和硬件复杂度方面可更灵活权衡的解决方案，是一条极具潜力，有待开拓的技术途径。
电子科技大学智能信号分析团队介绍
团队长期合作者安建成研究员，男，新加坡南洋理工大学电子与电气工程学院博士后研究员，长期从事无线通信与感知技术研究工作。主要研究方向包括层叠超表面、近场通信、通感一体化等，在 IEEE WCM、IEEE JSAC、IEEE TWC 等国际学术期刊上发表论文累计60余篇。在2023年发表的首篇层叠超表面论文获得IEEE ICC2023 国际会议最佳论文奖。
–本文完–
