太赫茲(Terahertz 或者 THz)波段可以定義為 0.3 THz～3 THz 的電磁波。從頻率上看，太赫茲波段處于微波與光波之間，被稱為“太赫茲間隙”(THz Gap)。然而，近年來(lái)的一系列研究表明，正是在這個(gè)間隙，存在著巨大的開發(fā)潛力和應(yīng)用價(jià)值。它可以廣泛地應(yīng)用于爆炸物檢測(cè)、藥品檢測(cè)、成像、雷達(dá)和無(wú)線寬帶通信。

最近，Nature的Scientific Report報(bào)道了一種關(guān)于太赫茲無(wú)線鏈路解調(diào)的研究成果[1]。

作者報(bào)告的“認(rèn)知解調(diào)”(Cognitive Demodulation)，利用人工智能技術(shù)，在實(shí)驗(yàn)室內(nèi)，誤比特率性能提高了100倍以上；在非實(shí)驗(yàn)室環(huán)境下，誤碼率提高了約60倍。此外，解調(diào)速度也大大提高，可以實(shí)時(shí)解調(diào)。除了軟件上的進(jìn)步，文章還展示了硬件方面的重要改進(jìn)。這項(xiàng)技術(shù)已經(jīng)走出了實(shí)驗(yàn)室，在辦公室走廊里進(jìn)行了現(xiàn)場(chǎng)試驗(yàn)。

系統(tǒng)構(gòu)成

這個(gè)被研究小組稱為“太赫茲火炬”（"THz Torch"）的系統(tǒng)，是一個(gè)超低價(jià)格的太赫茲近距離無(wú)線連接。

“THz Torch”的系統(tǒng)模型最早在2011年提出，基本架構(gòu)如下圖[2]。該系統(tǒng)使用簡(jiǎn)單的OOK調(diào)制，工作于25~50THz之間。

超低成本OOK“THz Torch”無(wú)線通信鏈路架構(gòu)

該系統(tǒng)利用了超低成本的熱發(fā)射器（微型白熾燈陣列），通過(guò)熱發(fā)射產(chǎn)生非相干的電磁能量，接收端采用熱釋電紅外（pyroelectric infrared，PIR）傳感器，從而構(gòu)成無(wú)線鏈路。為了使峰值光譜功率密度位于電磁光譜的遠(yuǎn)/中紅外部分，燈絲需要能夠發(fā)熱，鎢燈泡是這種應(yīng)用的首選。

"THz Torch”系統(tǒng)基本組成單元[3]

該研究小組9年來(lái)，從系統(tǒng)級(jí)架構(gòu)到設(shè)備級(jí)實(shí)現(xiàn)技術(shù)多方面進(jìn)行了研究，在保持使用固有的低成本組件的同時(shí)，使該技術(shù)可用于安全應(yīng)用（例如，私鑰遙控器、隱蔽遙控、安全設(shè)備數(shù)據(jù)鏈路等）的低數(shù)據(jù)速率無(wú)線鏈路。

實(shí)驗(yàn)系統(tǒng)如下所示[1]:

（a）收發(fā)鏈路展示

（b）發(fā)射機(jī)

（c）接收機(jī)

（d）熱圖像

（e）收發(fā)信基本功能框圖

“THz Torch”實(shí)驗(yàn)系統(tǒng)

認(rèn)知解調(diào)

認(rèn)知無(wú)線電（Cognitive Radio）是無(wú)線通信的不小進(jìn)步。它把感知、推理、決策引入到無(wú)線通信中來(lái)。認(rèn)知無(wú)線電的主要內(nèi)容是感知可用頻譜，讓非授權(quán)用戶也能享用授權(quán)頻譜，從而解決頻譜資源緊缺問(wèn)題。

如果基于傳統(tǒng)的門限檢測(cè)，是檢測(cè)PIR傳感器輸出電壓，而“THz Torch”的認(rèn)知解調(diào)（Cognitive Demodulation）是指：動(dòng)態(tài)預(yù)測(cè)下一個(gè)待接收比特兩種可能的熱瞬態(tài)。認(rèn)知解調(diào)動(dòng)態(tài)地確定幀的起始位置，并預(yù)測(cè)幀內(nèi)每個(gè)比特的狀態(tài)。

認(rèn)知解調(diào)后來(lái)獲得了改進(jìn)[1]：通過(guò)優(yōu)化方法校準(zhǔn)熱輻射器參數(shù)值，使解調(diào)算法更加適應(yīng)組件變化和環(huán)境變化；利用變化點(diǎn)檢測(cè)的定時(shí)同步技術(shù)，在測(cè)量波形及其關(guān)聯(lián)幀之間實(shí)現(xiàn)了更好的時(shí)間對(duì)齊；引入了長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM（Long-Short Term Memory），顯著提升了BER性能和計(jì)算效率。下面將介紹最后一項(xiàng)改進(jìn)。

人工智能增強(qiáng)認(rèn)知解調(diào)

將基于熱力學(xué)的模型與人工智能相結(jié)合，文獻(xiàn)[1]將神經(jīng)網(wǎng)絡(luò)引入認(rèn)知解調(diào)，具體實(shí)現(xiàn)采用LSTM。見(jiàn)下圖所示：

基于LSTM的認(rèn)知解調(diào)器

在上圖中，xi代表第i個(gè)比特的波形。對(duì)于每個(gè)比特，LSTM獲取與該比特相關(guān)聯(lián)的同步測(cè)量波形，以更新其單元狀態(tài)ci和隱藏狀態(tài)hi。當(dāng)更新的狀態(tài)被傳遞到下一步時(shí)，隱藏狀態(tài)hi傳送到多層感知（Multi-Layer Perception，MLP），由MLP對(duì)當(dāng)前比特做出概率決策。

過(guò)擬合和域遷移（domain shift）會(huì)影響到基于LSTM的認(rèn)知解調(diào)器的應(yīng)用。雖然LSTM具有將測(cè)量波形映射為二進(jìn)制比特的潛能，但它有可能會(huì)過(guò)擬合。解決方案是收集構(gòu)建一個(gè)大的訓(xùn)練數(shù)據(jù)集，但這在實(shí)際中可能會(huì)很耗時(shí)。此外，由于發(fā)射器和感知器參數(shù)值的時(shí)變性，會(huì)發(fā)生域遷移。在訓(xùn)練數(shù)據(jù)集沒(méi)有覆蓋系統(tǒng)參數(shù)值的情況下，傳統(tǒng)的基于學(xué)習(xí)的解調(diào)器可能工作得很差。但文獻(xiàn)[1]認(rèn)為，通過(guò)基于熱力學(xué)的完整模型建立訓(xùn)練數(shù)據(jù)集，可以解決過(guò)擬合和域遷移問(wèn)題。

審核編輯：湯梓紅