自动驾驶出租车在市区以60公里时速疾驰，毫米波雷达突然在30米外捕捉到物体回波——是闯入车道的行人，还是被风卷起的塑料袋？传统车载AI系统需将雷达信号转换为数字数据，再经神经网络运算后输出结果，这个过程往往伴随数十毫秒的延迟和数瓦级的功耗。如今，康奈尔大学研究人员提出的"微波神经网络"（MNN）架构，正在为这类实时感知场景开辟全新路径。
这项突破源于对射频电路"缺陷"的重新认知。研究团队发现，传统CMOS工艺制造的微波芯片中，非线性效应和低品质因子虽会导致信号失真，却能产生复杂的输入依赖变换。这种特性恰与神经网络所需的非线性运算高度契合。通过在硅片上构建相互耦合的微波波导阵列，研究人员让信号在传播过程中直接完成特征提取，跳过了耗能的模数转换环节。实验显示，该芯片在无线信号分类任务中准确率超过88%，功耗却不足200毫瓦，还能实时追踪飞行目标轨迹。
最新架构将计算维度拓展至信息编码领域。输入信号进入芯片后，波导间的耦合关系会随信号模式动态调整，相当于用数据本身重新编程神经元连接。这种设计使运算与信号传播同步进行，输入速率可达千兆比特每秒，而控制码流仅需兆比特每秒级别。研究团队形象地比喻："这就像用慢速缰绳驾驭高速计算野兽，避免了在数十吉赫兹频段进行数字采样的巨大能耗。"
在模式识别方面，MNN展现出独特优势。不同输入信号会激发特定频谱指纹，通过对比频谱即可完成分类，无需采样时域波形。更引人注目的是其信息编码能力——芯片能将连续数据输入转化为"微波Token嵌入"，每个Token由分布式频谱脉冲组成，保留了原始数据的时序与语义关联。这种编码方式具有物理唯一性：只有配置相同的同类芯片才能正确解读Token序列，为多智能体协同通信提供了硬件级安全保障。
数据压缩实验进一步验证了MNN的实用性。当千兆比特级图像数据流入芯片时，输出变为反映统计特征的概率比特流。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，风暴旋转结构和云带走向等关键特征仍清晰可辨。这种压缩机制通过保留数据主要结构、舍弃冗余细节实现，为边缘设备传输海量数据提供了新方案。
尽管MNN在AI推理领域尚存局限——其物理结构决定的参数规模远不及数字大模型，且易受热噪声等干扰影响数值精度，但研究团队已明确其核心定位：将AI感知前端从数字域迁移至射频域。在卫星图像回传、无人机态势感知等功耗敏感场景中，MNN可直接在物理层完成原始信号的特征提取与粗分类，仅将关键结果传递给数字系统处理，显著降低整体能耗。
这项技术标志着物理计算范式的重要突破。当数字计算因内存墙问题陷入能效瓶颈时，MNN通过直接利用波导相互作用的非线性特性进行计算，开创了模拟计算与神经形态计算的交叉路径。其频谱空间即语义空间的设计理念，为光子计算、忆阻器等新兴技术提供了重要参考。目前，研究团队正推进芯片商业化进程，计划将混频器、模数转换器及轻量级RISC-V控制器集成至单芯片，使信号处理全流程功耗控制在1瓦以内，为边缘计算设备赋予新的智能维度。
