无线感知和通信已成为现代生活的重要组成部分。其中的关键技术，波达角（DOA）估计利用阵列信号处理技术来测量射频信号的角度方向，已在民用和军事领域得到广泛应用。传统的DOA估计方法，比如多信号分类（MUSIC）算法，需要大量射频电路来接收多通道信号，执行下变频和高速采样，然后再进行数字信号处理。硬件和算法的高复杂性以及大量的数据极大增加了传统信号处理系统的延迟、功耗和成本。因此，迫切需要开发新型计算范式来代替电子处理器，更有效地处理射频信号实现低延迟、高性能和低成本的DOA估计。
光计算作为一种全新的计算范式，能够突破冯·诺依曼架构的能效瓶颈，在计算速度、计算吞吐量和能源效率方面有着巨大优势。为了直接处理射频信号，人们构建了衍射神经网络用于大规模的空间光计算，通过光速调制电磁波并处理其携带的信息，实现物体识别和无线编解码等任务。然而，现有衍射神经网络的角分辨率仍然受到衍射极限的限制，其在先进无线感知任务中的应用尚未探索。此外，应用可重构智能表面（RIS）调制空间电磁波并构建下一代通信系统仍缺乏角度感知和计算能力。针对上述难点，清华大学电子工程系林星课题组提出了超分辨衍射神经网络 (S-DNN)，用于宽带频率范围内的全光 DOA 估计，且其角分辨率突破了瑞利衍射极限。由于直接处理空间电磁波，因此 S-DNN 无需传统的射频电路、ADC 和数字信号处理，即可实现光速下的 DOA 估计（见图1）。而且S-DNN 仅需要一次快拍，便可以实现比 MUSIC 算法更高的角度分辨率以及对输入噪声更为鲁棒的估计结果。研究人员还应用 S-DNN 的DOA估计能力，给可重构智能表面提供用户角度信息，实现低延迟和低功耗的通信感知一体化。该项研究成果以“Super-resolution diffractive neural network for all-optical direction of arrival estimation beyond diffraction limits”为题发表在《Light: Science & Applications》，完成单位为清华大学电子工程系，电子工程系博士研究生高升和博士后陈航为论文的共同第一作者，论文通讯作者为林星助理教授，孙智副教授和沈渊教授参与了本项研究。![]()
4.1 S-DNN实现超越衍射极限的全光DOA估计
由于空间中不同角度的目标源所发射的电磁波在远场平面的相位分布不同，因此S-DNN通过识别电磁场相位分布来判断目标所在的角度区间。为了实现对电磁波的精准调控，S-DNN由多个衍射调制层级联而成。通过在输出平面设置10个检测区域，每个检测区域对应一个入射角度区间。当有电磁波输入时，通过比较10个检测区域的电磁场强度，找到最大值来确定目标源的角度。根据入射角度的维度不同，S-DNN可以设计为1维或2维估计模式，以分别或同时估计目标的俯仰角和方位角。![]()
图2. S-DNN实现全光DOA估计的架构和原理
角分辨率是射频测向系统的一个重要指标，它代表了该系统对于两个紧邻角度入射信号的区分能力。但受到阵列孔径的制约，现有系统的角分辨率难以突破瑞利衍射极限。研究人员基于深度学习优化并制造了四层无源S-DNN，实现了角分辨率为1°的超分辨DOA估计，比衍射极限分辨率高出4倍（如图3所示）。具有多层超表面和大规模衍射调制单元的高自由度设计空间使 S-DNN 能够在局部角度范围内生成超振荡角度响应，从而实现超出衍射极限的DOA估计。从频谱搬移的角度来看，S-DNN的精准调制能力可以将超出衍射极限角分辨率的稀疏频谱分量搬移至衍射受限频率范围内。为了便于实验测量，S-DNN训练采用均方误差损失函数来提升能量比。如果使用交叉熵损失函数可进一步提升角分辨率，理论值比衍射极限高 40-70 倍。所搭建的实验场景如图3所示，位于远场的喇叭天线作为两个间隔1°的目标源，S-DNN安装在角度旋转平台上，使用波导探头来扫描输出场分布。经过测试，S-DNN在单目标和双目标DOA估计任务中，均可实现99%的准确率。图3. 实验验证S-DNN角分辨率能够超越衍射极限4倍4.2 多相干目标源的宽带超分辨DOA估计
由于实际电磁环境日趋复杂，入射到射频测向系统中有相干信号源的存在，且信号频率范围在不断拓宽。而传统的窄带MUSIC算法无法实现相干目标源的宽带DOA估计。针对以上问题，研究人员提出一种基于深度学习的宽带训练方法，显著提升了S-DNN的抗色散能力，使其能够工作在25 GHz至30 GHz之间，并且仿真的最大带宽可以达到10 GHz。利用宽带训练方法优化并制造了三层S-DNN，能够在25 GHz至30 GHz的频率范围内实现角分辨率为3°的超分辨DOA估计（见图4）。为了进一步验证S-DNN的性能，研究人员使用电磁场仿真软件CST对训练后的模型进行全波仿真，最后对加工好的S-DNN进行实验测量。图4展示了仿真和实验输出场分布的高度相似性，证明了所提出的宽带训练方法的有效性。此外，还测试了S-DNN对于两个任意角度入射的相干目标源的DOA估计性能，混淆矩阵和能量分布矩阵如图4所示。可以看出，S-DNN实现了多相干目标源的宽带超分辨DOA估计，准确率能达到95%。目前S-DNN最多可以同时估计10个目标源的角度（受到检测区域限制）。图4. S-DNN实现多相干目标源的宽带超分辨DOA估计作为6G时代关键技术的RIS，其缺乏感知和计算能力，仍受到基站控制难以大规模部署。而S-DNN可以代替基站实现对多个移动用户的光速DOA估计，为后续的无线通信处理流程提供重要的先验信息。该项研究提出利用S-DNN 的宽带角度感知能力，使得RIS可以独立于基站自主感知电磁环境，实现基站与高速移动用户之间的实时通信链路（见图 5）。研究人员开发了反射式液晶RIS 系统，每个meta-atom的相位调制精度高达 5 bit，用于波束赋形以及实现可重构 S-DNN。首先，无源S-DNN接收到来自基站和移动用户的电磁波后，以极低的延迟对多个目标进行角度估计。基于S-DNN的估计结果，FPGA生成控制电压并配置RIS将基站的电磁波反射到用户，实现波束赋形跟踪。实验实现了平均17.9 dB的用户端检测幅度增益，证明了所提出的通信感知一体化系统的有效性。基于液晶RIS 的可编程性和高调制精度，研究人员还探索了可重构 S-DNN架构的可行性，验证了基于时分复用的 DOA 估计和波束赋形。图5. S-DNN赋能RIS实现通信感知一体化
五、应用前景与未来展望
未来，S-DNN 可以使用可重构透射式超表面连续切换相位分布，在宽视野范围内实现超分辨角度估计。广泛研究的超表面功率探测器可以替代矢量网络分析仪，精确测量 S-DNN 输出平面的场分布并增强系统集成度。总之，该项研究工作展示了全光计算应用于突破感知系统物理极限的巨大潜力，得益于S-DNN的光计算架构，全光DOA感知时延比最先进的射频测向设备能够降低2-4个数量级以上，使其成为自动驾驶和高铁通信的理想选择。配备大功率发射器的 S-DNN 有望应用于雷达目标检测和跟踪，以及卫星导航和定位。Gao, S., Chen, H., Wang, Y. et al. Super-resolution diffractive neural network for all-optical direction of arrival estimation beyond diffraction limits. Light Sci Appl 13, 161 (2024).
![]()
欢迎课题组投稿——新闻稿文章转载/商务合作/课题组投稿，微信：447882024
👇 关注我 👇
