编辑推荐：
为解决传统数字硬件处理无线射频(RF)信号时面临的模拟-数字转换(ADC)瓶颈和冯·诺依曼架构能效低下的问题，研究人员开展了基于压电声表面波(SAW)忆阻器神经网络的主题研究。该研究通过集成Ag/SiO2/Au忆阻器与声电相位调制器，成功构建了非易失性可编程的SAW忆阻器神经网络原型，在向量分类任务中实现了91.7%的准确率，同时将系统尺寸比电磁(EM)系统缩小105倍，能耗比数字系统降低37倍，为边缘智能RF信号处理提供了新范式。
随着人工智能(AI)与无线射频(RF)技术的深度融合，特别是6G通信时代的到来，边缘设备正变得越来越智能和高效。智能手机、智能机器人、自动驾驶汽车、无人机、智能家居设备和可穿戴健康监测器等新兴应用，都迫切需要能够实时处理和分析RF信号的边缘计算能力。然而，在传统数字硬件上运行机器学习模型处理RF信号面临巨大挑战：无线RF信号本质上是模拟电磁(EM)波，而数字处理需要频繁且顺序的模拟-数字转换(ADC)，这不仅增加了计算时间，也显著提高了功耗。更棘手的是，传统数字计算硬件中物理分离的存储和处理单元，导致了大量的数据迁移，其产生的能量和时间开销甚至可能超过计算本身。
为了突破这些限制，一种极具前景的解决方案是模拟波计算系统实现的“传感、存储和计算一体化”范式。这类系统直接通过调制模拟RF信号的空间传播来进行处理，无需ADC，同时将机器学习模型映射到波导的物理参数上，实现信息的同步存储与处理，从而规避冯·诺依曼瓶颈。例如，基于惠更斯原理的全光学衍射深度神经网络(DNN)和采用多层编码超表面阵列的可编程衍射DNN。尽管如此，现有的基于EM波的模拟无线RF神经网络仍面临三个关键挑战：EM波的工作波长范围从毫米到米级，导致系统体积庞大，难以集成到空间受限的边缘设备中；当前可编程的神经网络构建模块是易失性的，无法在没有控制信号的情况下维持状态；此外，EM波放大和滤波等基本信号处理过程需要将复杂的有源器件异质集成到无源波导中。
为了应对这些挑战，研究人员将目光投向了声学领域，开发了一种基于声电表面声波(SAW)忆阻器的神经网络。SAW忆阻器保留了模拟波计算的优点，能够实现传感、存储和计算的一体化集成。更重要的是，SAW的波长由叉指换能器(IDT)的节距决定，可以达到亚微米级别，在相同频率下比EM波长短约105倍，这使其极易集成到空间受限的边缘电子设备中。此外，通过非易失性忆阻器门控的声电相位调制器实现的SAW相位可编程性，解决了易失性问题。SAW平台本身已广泛应用于RF放大和滤波，从而天然地满足了基本的信号处理需求。
本研究首次提出了一种压电SAW忆阻器，它将非易失性的Ag/SiO2忆阻器与声电SAW相位调制器集成在一起。通过施加偏置电压并切换忆阻器的开(on)和关(off)状态，研究人员可以控制ZnO调制层中的载流子迁移速度，从而调制SAW的相位，实现可调的传输系数(T)。他们进一步构建了一个SAW忆阻器神经网络，其中输入IDT通过逆压电效应产生声波，作为网络的输入层神经元；这些声波在压电基底上传播，经过作为网络隐藏层可调神经元的SAW忆阻器进行相位调制；调制后的信号随后被输出IDT通过正压电效应检测，代表网络的输出层神经元。
为了验证该神经网络的性能，研究人员进行了一项代表性的向量分类任务实验。该网络原型包含一个具有3个输入IDT的输入层、一个由24个可编程SAW忆阻器神经元组成的隐藏层以及一个具有2个输出IDT的输出层。通过将SAW忆阻器的状态二值化为(0, π/2)的相位对，该网络作为一个二值神经网络运行。实验结果表明，该网络对三维向量的二分类任务达到了91.7%的准确率，与软件实现的结果相当。尤为突出的是，与功能等效的基于EM的神经网络相比，SAW忆阻器神经网络的物理尺寸缩小了五个数量级；与传统的数字系统相比，能耗降低了37倍。这项研究为未来智能RF信号处理应用奠定了基础，相关成果发表在《SCIENCE ADVANCES》上。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，采用电子束光刻和剥离工艺在41° Y切LiNbO3压电基底上制备了叉指换能器(IDT)和电极结构；其次，利用原子层沉积(ALD)技术在特定区域生长ZnO半导体调制层，并通过有限元分析(FEA)模拟优化了声表面波(SAW)的传播和调制特性；再者，集成制备了非易失性的Ag/SiO2/Au忆阻器，并对其电阻开关特性、耐久性和保持力进行了系统的电学表征；最后，构建了包含输入层、隐藏层（SAW忆阻器神经元）和输出层的神经网络原型，并利用网络分析仪和直流电源组成的测试系统，对其在向量分类任务中的性能进行了实验验证。
电压调制的SAW相位调制器
SAW忆阻器的核心是声电SAW相位调制器与非易失性电学忆阻器的集成。研究人员首先对SAW相位调制器进行了表征，它基于声电效应来调制SAW的相位。声电效应描述了传播的压电声波与半导体中自由载流子之间的相互作用。SAW在压电基底上传播时，由于机械形变下的压电极化会产生电势波和电场，该电场会与附近半导体层中的移动载流子耦合，从而引起声波速度和幅度的变化。本研究选用了41° Y切LiNbO3作为压电基底，ZnO作为半导体层。41° Y切LiNbO3能够激发具有高有效机电耦合系数(Keff2)的剪切水平(SH0)模式SAW。研究人员设计并制造了具有不同ZnO调制长度的器件。通过有限元分析(FEA)模拟和实验测量，确认了SH0模式的谐振频率为304 MHz，对应的声速为4256 m/s，Keff2高达23.1%，有利于声电耦合。实验结果表明，随着偏置电压的增加，相位偏移显著增加，对于500微米长的器件，在25V偏压下最大相位偏移达到195°，而衰减变化很小（小于0.3 dB）。此外，在固定电场下，不同声波强度对相位偏移和幅度的影响保持稳定，表明该可调神经元对不同强度声波的调制能力是稳健的。
集成的电学忆阻器
在SAW忆阻器中，声电SAW相位调制器与电学的Ag/SiO2/Au忆阻器集成，实现了非易失性和可编程的相位偏移。忆阻器与相位调制器的ZnO层串联，作为一个具有记忆效应的电学开关。该忆阻器是一个两端器件，结构为Ag/SiO2/Au，其中SiO2层厚度约为10纳米。电学表征显示，该忆阻器表现出可重复的双极电阻开关特性。当对Ag顶电极施加正偏压时，电流急剧上升，表示从高阻态(HRS)到低阻态(LRS)的“SET”过程；反向偏压则实现从LRS到HRS的“RESET”过程。耐久性测试表明，忆阻器在超过103次开关循环后仍保持相对稳定的性能，HRS电阻在106至108欧姆之间，LRS电阻在70至250欧姆之间，HRS/LRS比率高达约104。保持力测试在室温下进行，在0.2V的读取电压下，LRS和HRS状态均可稳定保持超过104秒。对于集成的SAW忆阻器，当电学忆阻器处于“开”状态时，SAW的相位偏移随着施加在串联的ZnO相位调制器和忆阻器上的电压升高而逐渐增加，在25V时最大相位变化达到187°，与单独的相位调制器结果相当。而当忆阻器处于“关”状态时，其高电阻会关闭ZnO相位调制器，导致SAW相位随电压增加无变化。
SAW神经网络(SAW-NN)的向量分类
与电学忆阻器类似，SAW忆阻器可以组合形成物理神经网络，接收SAW输入并进行SAW计算。研究人员评估了实验制备的SAW忆阻器神经网络原型的向量分类能力。该网络的隐藏层包含24个可编程的SAW忆阻器神经元，它们并联连接，每个神经元中的电学忆阻器状态可以独立编程。SAW忆阻器的状态是可学习的参数，在软件中优化后物理映射到器件上。由于SAW忆阻器处于开或关状态，对应于两种不同的相位偏移，因此该网络可以作为二值神经网络运行。研究人员使用该网络处理一个概念验证性的三维向量二分类任务。两类输入向量（以SAW IDT形式表示）分别高斯分布在[-1, 1, 1]和[1, 1, -1]周围。在输出IDT处测量能量强度，强度较大的IDT被分类为“1”，较小的为“0”。研究比较了二值权重和模拟权重SAW神经网络的软件训练性能。由于模拟SAW忆阻器编程中不可避免的写入随机性，实现精确的相位偏移具有挑战性，这会大大降低模拟网络的性能。而通过二值化相位偏移可以显著减轻这种影响。二值网络的性能还受到二值相位对选择的影响。随着二值相位差从π/6增加到π，分类准确率从93%提高到100%，但更大的相位差需要更高的偏置电压，导致功耗增加。因此，需要在分类准确率和能效之间进行权衡。在后续实验中，选择了(0, π/2)的二值相位对，对应于17V的偏置电压，以平衡准确率和功耗。有限元分析(FEA)模拟显示，对于向量[-1, 1, 1]，输出IDT 1接收到的能量较高，而对于向量[1, 1, -1]，能量主要被输出IDT 2接收，表现出清晰的分类差异。实验测量结果与模拟高度一致，混淆矩阵以对角线元素为主，整体分类准确率达到91.7%。与相同二值相位配置下98%的模拟准确率相比，略有下降，这主要归因于SAW忆阻器阵列的制造差异以及使用的二维FEM模拟推导的耦合矩阵W。此外，物理系统中的声波反射和串扰效应也是潜在误差源。
讨论
性能对比表明，SAW忆阻器神经网络相比其他类型的模拟波神经网络具有明显优势。SAW的波长显著更短，使得在相同频率下，SAW神经网络的尺寸比EM神经网络小得多。计算速度主要由波在输入和输出之间的传播延迟决定。在本工作中，计算时间约为423纳秒。通过将SAW工作频率提高到5吉赫兹，计算时间可缩短至25纳秒。在功耗方面，可调SAW神经网络的能耗主要包括IDT产生和检测声波所需的功率以及相位调制器消耗的能量，其能耗比数字系统低约37倍。本研究主要侧重于通过离线训练和非易失性权重优化边缘AI应用，以实现紧凑尺寸和低功耗。然而，该系统天然支持通过包含反向传播机制实现在线学习。选择性部分重编程等技术可以显著降低能耗，实现高效的个性化。此外，混合权重块通过集成一部分固定的、离线训练的非易失性忆阻器权重和一部分电压控制的快速可调在线权重，有助于加速在线训练。未来的研究方向包括材料创新（如使用GaN、AlN或绝缘体上LiNbO3）、引入高迁移率半导体（如InGaAs）实现主动SAW放大、用模拟忆阻器替代二值忆阻器以支持梯度训练、开发更高工作频率的器件以及通过补偿层和保护性封装提高环境鲁棒性。
研究结论与意义
本研究成功提出并实验验证了一种压电SAW忆阻器，它通过将电学忆阻器与声电相位调制器物理集成而成。与基于EM波的模拟波计算相比，SAW的工作波长显著缩短，实现了更紧凑的器件尺寸。SAW忆阻器利用忆阻器的非易失性可编程特性和声电效应来编码可调的神经网络参数，允许对SAW相位进行精确调制。实验制备的SAW忆阻器神经网络在向量分类任务中表现出色，二值权重神经网络达到了与软件实现相当的准确率，同时在尺寸上比基于EM的神经网络缩小了105倍，能耗比数字系统降低了37倍。这项工作为边缘RF信号处理提供了一种高度集成且高效的替代方案，展示了声学技术在下一代智能边缘计算系统中的巨大潜力。
