自动驾驶出租车在市区以每小时60公里的速度行驶时，毫米波雷达检测到前方30米处出现物体回波。系统必须在毫秒级时间内判断该物体是即将进入车道的行人，还是被风吹起的塑料袋。传统解决方案依赖射频信号数字化转换与AI芯片运算，但延迟和功耗问题始终难以突破。近日，康奈尔大学团队提出全新架构，通过物理过程直接完成雷达信号识别，为低功耗实时感知开辟新路径。
这项名为"微波神经网络"（MNN）的技术突破，源于对射频电路"缺陷"的重新认知。传统微波芯片受非线性效应困扰，信号处理需要复杂补偿机制。研究团队反其道而行之，利用波导间的非线性相互作用构建物理计算单元。输入信号在传播过程中自动完成特征提取，无需数字化采样即可实现模式识别。实验显示，芯片在无线信号分类任务中准确率超过88%，同时具备飞行目标轨迹追踪能力。
新型芯片采用标准CMOS工艺制造，集成相互耦合的微波波导阵列。其工作原理颠覆传统计算范式：信号模式直接改变波导耦合关系，相当于用数据流动态重构神经元连接。这种设计使运算与信号传播同步进行，处理速度达到千兆比特每秒，而控制码流仅需兆比特每秒级别。研究团队形象地比喻："用慢速缰绳驾驭高速计算野兽"，成功规避了高频数字采样的高功耗难题。
在信息编码层面，MNN展现出独特优势。芯片将连续数据流转换为"微波词元"序列，每个词元由分布式频谱脉冲构成，既保留时序关系又携带语义信息。这种编码方式形成硬件级安全机制：不同芯片生成的词元序列需要特定配置码流才能正确解读，相当于构建了物理指纹加密体系。实验中，无人机集群通信场景验证了该技术的抗干扰能力，比传统软件加密方案更具可靠性。
数据压缩是MNN的另一突破。面对千兆比特级输入数据，芯片输出概率比特流，通过非线性动态保留数据核心结构。在热带风暴卫星图像重建测试中，传输码率压缩至原图的八分之一，仍能清晰呈现风暴旋转结构和云带走向。这种能力在遥感、边缘传感等带宽受限场景具有重要应用价值，可显著降低数据回传功耗。
尽管MNN在AI推理领域尚存局限，但其物理计算特性完美匹配射频感知前端需求。原始信号在物理层完成特征提取和粗分类后，仅需向数字系统传输关键结果，这种架构特别适合卫星图像处理、无人机态势感知等功耗敏感场景。研究团队正推进芯片集成化，计划将混频器、模数转换器及轻量级控制器整合至单芯片，使全流程信号处理功耗控制在1瓦以内。
该技术代表计算硬件范式的重要转变。当数字计算遭遇能效瓶颈时，模拟计算重新进入研究者视野。光子计算利用光的干涉完成矩阵运算，忆阻器在存储位置直接处理数据，神经形态芯片模拟生物神经脉冲。MNN则融合模拟计算与神经形态特性，其非线性变换源自波导物理相互作用，语义空间直接映射为频谱特征，为低功耗智能计算提供了全新解决方案。
