机构名称：
¥ 1.0
使用人工神经网络以低能耗成本从射频 (RF) 信号中提取信息是从雷达到健康的广泛应用的关键需求。这些 RF 输入由多个频率组成。在这里，我们表明磁隧道结可以并行处理具有多个频率的模拟 RF 输入并执行突触操作。我们使用一种称为极限学习的无反向传播方法，使用来自同时充当突触和神经元的磁隧道结的实验数据，对由 RF 信号编码的噪声图像进行分类。我们实现了与等效软件神经网络相同的精度。这些结果是嵌入式射频人工智能的关键一步。简介分析射频 (RF) 信号在各种应用中都至关重要，例如联网物体、雷达技术、手势感应和生物医学设备 1–8 。对于许多信号分类任务，例如发射器类型识别，人工神经网络已被证明比标准方法表现更好，并且表现出对噪声和缺陷的卓越鲁棒性 1 。然而，在传统计算硬件上运行神经网络非常耗时且耗能，这使得将这种功能集成到嵌入式系统中具有挑战性 9,10 。这一问题在射频信号的情况下被放大，因为它们需要先进行信号数字化，然后才能由神经网络处理。降低人工智能能耗的一种有前途的方法是利用新兴技术构建物理神经网络 11 。对于这一目标，自旋电子纳米器件具有关键优势，包括多功能性、快速动态、小尺寸、低功耗、高循环性、高可靠性和 CMOS 兼容性 12,13 。此外，自旋电子器件的高速动态为它们提供了发射、接收和处理射频信号的关键特性 14–20 。多项研究表明它们在构建硬件神经网络方面具有潜力 11,21–
通过极限学习对多频射频信号进行分类，
主要关键词
相关文件推荐
