基于人工神经网络 (ANN) 的人工智能工具正在越来越多的环境中被引入，帮助人类更快、更有效地解决许多问题。虽然这些算法中的大多数都在传统的数字设备和计算机上运行，​​但电子工程师一直在探索在替代平台(例如衍射光学设备)上运行它们的潜力。

　　由中国东南大学 Tie Jun Cui 教授领导的研究团队最近开发了一种基于所谓的欺骗表面等离子体激元 (SSPP) 的新型可编程神经网络，SSPP 是一种沿平面界面传播的表面电磁波。这种新提出的表面等离子体神经网络 (SPNN) 架构在Nature Electronics的一篇论文中介绍，可以检测和处理微波，这可能对无线通信和其他技术应用有用。

　　“在用于实施人工神经网络的数字硬件研究中，光学神经网络和衍射深度神经网络最近成为有前途的解决方案，”进行该研究的研究人员之一马谦告诉 Tech Xplore。“以前针对光学神经网络的研究表明，同时进行高级可编程性和非线性计算可能很难实现。因此，这些 ONN 设备通常仅限于没有可编程性的特定任务，或者仅应用于简单的识别任务(即线性问题)。”

　　这些研究人员近期工作的主要目标是进一步提高神经网络在复杂非线性问题上的性能，同时使它们适用于广泛的应用。他们提出的架构 SPNN 可以针对不同的权重配置进行编程，这意味着它在理论上应该可以很好地概括不同的任务。

　　崔教授领导的研究团队多年来一直致力于开发可编程欺骗表面等离子体器件，并探索其在电磁调节方面的应用。受到他们之前发现的启发，他们因此着手开发一种基于这些等离子设备之一的具有可编程权重和激活功能的神经网络。原则上，他们提出的架构可以实现惊人的处理速度，接近光速。

　　“SPNN 是以逐层方式创建的，其中每一层都由多个可编程的 SSPP 超级单元组成，”Ma 解释道。“每个具有四进四出全连接网络的超级单元是由八个可编程SSPP单元组成的。我们设计了三维复合结构，巧妙地实现了全连接的特性。”

　　研究人员用来创建平台的每个可编程超级电池都由一个 SSPP 功率分配器和一个耦合器组成。这种独特的设计使其能够稳健地操纵电磁波，然后使用它们来实现等离子体神经网络。

　　“神经网络的权重参数是通过改变加载在耦合器上的变容二极管的电压来调整的，”马说。“更重要的是，可以通过使用检测器检测输入强度并将阈值反馈给放大器来定制激活函数。SPNN 可以执行图像分类任务，也可以用于创建无线通信系统来解码和恢复图像”

　　该团队的 SPNN 架构最显着的特点是其可编程权重和激活函数，这可以使其更容易应用于广泛的任务。之前的一些工作使用相变材料实现了可编程神经网络，但发现这种方法会导致动态范围有限。

　　“虽然衍射深度神经网络可以灵活地调制和处理电磁波，但它们缺乏非线性激活函数也限制了它们处理更复杂问题的潜力，例如异或(XOR)逻辑运算，”马说。

　　“我们提出的基于数字表面等离子体器件的可编程SPNN可能会为该领域带来一些新思路。可编程SSPP器件可以控制电磁波，架构简单，成本低，效率高，这对于构建可编程神经网络具有潜力。此外，我们可以在检测端口和放大器偏置电路之间使用闭环反馈系统来实现可编程激活功能。”

　　未来，该研究团队开发的SPNN可用于大规模检测和处理微波，从而有可能为5G和6G无线通信开辟新的可能性。与过去推出的一些基于 ANN 的微波检测解决方案相比，SPNN 可以直接以接近光速的速度 调制电磁波。

　　在他们的论文中，Cui、Ma 教授和他们的同事表明，相同的架构在其他任务上也表现良好，例如以高精度对手写数字进行分类。在接下来的工作中，他们计划在其他任务上评估 SPNN，同时增加其复杂性，以便它可以解决更高级的问题。

　　“这项工作中实现的原型是基于一个4×4的完全神经网络，它相对较低，”Ma补充道。“SPNN结构类似于电路系统，这意味着可以在不增加设备占用空间的情况下扩大SPNN层的规模。例如，可以创建立方体结构形式以减小部分连接系统的物理尺寸，从而实现三维空间的超高空间效用。此外，我们还可以通过提高工作频段来减小网络的规模。”