🔬 applied physics

Analog Computing with Hybrid Couplers and Phase Shifters

本文提出并验证了一种仅由混合耦合器和移相器构成的微波模拟计算架构，推导了其线性变换能力的充要条件，并系统设计了可计算任意 2 的幂次阶离散傅里叶变换、哈达玛变换及 Haar 变换的电路，通过硬件原型证实了该方案在低延迟实时信号处理中的可行性。

原作者： Matteo Nerini, Xuekang Liu, Bruno Clerckx

发布于 2026-03-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Matteo Nerini, Xuekang Liu, Bruno Clerckx

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常酷的想法：我们能不能不用传统的数字芯片（像手机里的 CPU 那样），而是直接用“微波”和“电线”来算数学题？

想象一下，现在的电脑算数就像是在一个巨大的图书馆里，把书（数据）从书架（内存）搬到桌子（处理器），算完再搬回去。这个过程虽然快，但搬书很费时间，也费电。

而这篇论文提出的“模拟计算”，就像是让水流直接流过精心设计的管道。你不需要把水倒出来再倒进去，水在流动的过程中，因为管道的形状，自然就完成了混合、分流和计算。

核心故事：用“分叉”和“旋转”来算数

作者们发现，只要用两种最简单的微波元件，就能构建出一个“微波计算机”：

混合耦合器（Hybrid Couplers）： 想象成一个智能的分流器。它把一股水流分成两股，或者把两股水流汇合在一起。
移相器（Phase Shifters）： 想象成一个旋转阀门。它不改变水流的大小，只是让水流“晚一点”或者“早一点”到达，相当于给信号加了一个“旋转角度”。

他们的核心发现是：
如果你把成千上万个这样的“分流器”和“旋转阀门”像搭积木一样连接起来，让微波信号在里面跑，那么当信号从另一端出来时，它们自动就完成了一个复杂的数学运算——矩阵乘法。

在数字电脑里，算一个 $N \times N$ 的矩阵乘法需要很多步指令；而在这种微波网络里，信号以光速穿过，一步到位，瞬间完成。

他们算了什么？（三大魔法变换）

作者证明了，用这种简单的“分叉 + 旋转”积木，可以计算出三种在信号处理中极其重要的数学变换：

离散傅里叶变换 (DFT)：
- 比喻： 就像把一首混合了各种乐器的交响乐，瞬间拆解成每一个单独的音符（频率）。
- 应用： 这是 5G/6G 通信和雷达的核心。以前这需要超级快的数字芯片，现在可以用微波网络瞬间完成。
哈达玛变换 (Hadamard Transform)：
- 比喻： 一种特殊的“正交”混合，常用于压缩数据或加密。
哈尔变换 (Haar Transform)：
- 比喻： 一种像“层层剥洋葱”一样的分析，常用于图像压缩（比如把一张大图变成几个关键特征）。

最厉害的是： 他们不仅证明了“能算”，还给出了**“怎么搭”**的图纸。对于任何大小为 2 的幂次方（比如 4 路、8 路、16 路）的信号，他们都有办法设计出对应的微波电路。

实验验证：真的造出来了！

光说不练假把式。作者们真的在实验室里用微带线（一种在电路板上画的微波传输线）造了一个4x4 的 DFT 计算器。

过程： 他们把信号输入进去，信号在电路板上的“分流器”和“旋转器”里跑了一圈。
结果： 出来的信号，和理论计算的数学结果高度一致！
小插曲： 因为制造误差和连接器（SMA 接头）的影响，信号有点“跑偏”（主要是相位有个固定的偏差）。但他们发明了一种**“校准方法”**（就像给眼镜度数微调），稍微调整一下，结果就非常完美了。

为什么这很重要？（未来的意义）

快如闪电： 没有数字芯片的“搬书”过程，计算是物理上自然发生的，延迟几乎为零。
省电： 不需要把模拟信号转成数字信号（ADC），也不需要复杂的数字运算，功耗极低。
应对未来： 未来的 6G 通信和雷达产生的数据量太大，数字芯片可能算不过来了（就像交通堵塞）。这种“微波模拟计算机”就像是在高速公路上直接修了一条专用车道，让数据流直接冲过去。

总结

这篇论文就像是在说：“别只盯着硅芯片了，看看这些古老的微波元件（分叉和旋转），把它们搭好，它们自己就会帮你算数学题！”

这不仅是理论上的突破，他们已经造出了实物原型。这为未来实现超低延迟、超低功耗的实时信号处理（比如自动驾驶雷达、6G 基站）打开了一扇新的大门。简单来说，他们让**“光”和“电”直接变成了“计算器”**。

这是一份关于论文《Analog Computing with Hybrid Couplers and Phase Shifters》（基于混合耦合器和移相器的模拟计算）的详细技术总结。

1. 研究背景与问题 (Problem)

背景： 随着摩尔定律的终结，传统数字计算在处理超宽带信号（如 6G 通信、先进雷达）时面临“冯·诺依曼瓶颈”，即数据在存储器和处理器之间频繁传输导致的高延迟和高能耗。此外，前端全数字化需要高速高分辨率模数转换器（ADC），其功耗随带宽和分辨率急剧增加。
问题： 模拟计算（Analog Computing）通过在物理载体（如电磁波）上直接进行运算，有望实现近零延迟和巨大的本征带宽。然而，目前缺乏一种系统性的理论框架，能够明确界定仅使用低成本、基础微波组件（混合耦合器和移相器）构建的线性微波网络究竟能实现哪些类型的线性变换。
核心挑战： 确定由混合耦合器（Hybrid Couplers）和移相器（Phase Shifters）组成的微波网络能够计算的矩阵 $W$ 的充要条件，并验证其是否能实现信号处理中关键的变换（如 DFT、Hadamard 变换、Haar 变换）。

2. 方法论 (Methodology)

本文提出了一种名为“微波线性模拟计算机”（MiLAC）的架构，并采用了以下理论推导和实验验证相结合的方法：

系统建模：
- 将 MiLAC 建模为一个多端口微波网络，输入为复数基带等效信号向量 $\mathbf{u}$ ，输出为 $\mathbf{v}$ 。
- 利用散射矩阵（S-matrix）理论，推导出输出与输入的关系为 $\mathbf{v} = \frac{1}{2}\mathbf{S}_{21}\mathbf{u}$ ，其中 $\mathbf{S}_{21}$ 是网络的传输散射矩阵。
- 定义网络组件：混合耦合器（4 端口）、移相器（2 端口）、互连（2 端口）和置换网络（Permutation Network）。
理论推导（核心贡献）：
- 充要条件定理： 证明了由混合耦合器和移相器构成的任何匹配网络（Matched Network），其传输散射矩阵 $\bar{\mathbf{S}}$ 必须且只能分解为一系列置换矩阵（Permutation Matrices, $\mathbf{P}$ ）和分块对角矩阵（Block Diagonal Matrices, $\mathbf{D}$ ）的乘积形式：
  $\bar{\mathbf{S}} = \mathbf{P}_L \mathbf{D}_L \cdots \mathbf{P}_2 \mathbf{D}_2 \mathbf{P}_1 \mathbf{D}_1 \mathbf{P}_0$
  其中 $\mathbf{D}$ 块包含 $2\times2$ 的混合耦合器子块和 $1\times1$ 的移相器子块。
- 特定变换的可行性证明：
  1. 离散傅里叶变换 (DFT)： 利用快速傅里叶变换（FFT）的奇偶置换分解原理，证明了 DFT 矩阵符合上述分解形式。
  2. Hadamard 变换： 利用 Hadamard 矩阵的递归定义（Kronecker 积），证明其可分解为所需的结构。
  3. Haar 变换： 利用 Haar 矩阵的递归定义，同样证明其可被该架构实现。
- 系统设计方法： 针对上述三种变换，提出了系统性的网络构建方法，能够针对任意 $N=2^L$ 大小的变换设计具体的混合耦合器和移相器级联网络。
实验验证：
- 原型制作： 基于微带线技术（Microstrip），在单层介质基板上制造了一个 $4\times4$ DFT 的微波电路原型。
- 校准技术： 开发了一套系统性的校准流程，包括：
  1. 相位校准： 补偿由 SMA 连接器引起的全局相位偏移。
  2. 矢量校准（Vector-based Calibration）： 使用对角输入 - 输出校准矩阵，通过优化算法补偿各端口的幅度不平衡和相位误差，消除制造公差带来的影响。

3. 关键贡献 (Key Contributions)

理论完备性： 首次给出了仅由混合耦合器和移相器构成的微波网络所能实现的线性变换类的充要条件。该条件表明，任何可实现的变换矩阵必须能分解为置换矩阵和特定分块对角矩阵的乘积。
三大变换的实现方案： 证明了 DFT、Hadamard 变换和 Haar 变换均属于上述可计算类，并提供了针对任意 $2^L$ $2^{L}$ 大小的系统性设计方法。
- 对于 DFT 和 Hadamard 变换，所需的混合耦合器数量约为 $O(N \log N)$ 。
- 对于 Haar 变换，所需的混合耦合器数量约为 $O(N)$ ，电路结构更简单。
硬件验证与校准： 成功制造并测试了 $4\times4$ $4 \times 4$ DFT 微波原型。
- 实验结果表明，经过校准后，模拟域计算的输出与理论预期具有极高的相关性。
- 提出了有效的校准算法，显著降低了由制造误差和连接器引起的误差（NMSE 从 57% 降至 0.09%）。
低延迟计算路径： 展示了利用标准微波组件构建模拟计算机的可行性，为未来通信和感知系统中的低延迟、实时信号处理提供了一条无需数字运算的实用路径。

4. 实验结果 (Results)

S 参数测量： 在 2.2-2.6 GHz 频段内，测量得到的传输系数幅度与全波电磁仿真（HFSS）结果高度一致，主要差异来源于介质损耗和制造误差。
DFT 计算性能：
- 未校准： 由于 SMA 连接器引入的全局相位偏移（约 -43.27°），归一化均方误差（NMSE）较高（约 57%），但余弦距离（Cosine Distance）极低（0.066%），表明变换结构本身保持完好，仅存在相位旋转。
- 相位校准后： 去除全局相位偏移后，NMSE 降至 1.456%。
- 矢量校准后： 进一步补偿端口间的幅度和相位不平衡，NMSE 降至 0.091%，余弦距离降至 0.037%。
结论： 实验数据强有力地证明了该模拟系统能够准确执行 DFT 运算，且误差主要源于硬件非理想性，可通过校准有效消除。

5. 意义与影响 (Significance)

突破数字计算瓶颈： 该工作证明了在微波频段直接进行矩阵向量乘法（如 DFT）的可行性，计算复杂度为 $O(1)$ （仅受限于信号传播时间），远优于数字计算的 $O(N^2)$ 或 $O(N \log N)$ ，且无需 ADC/DAC 转换，极大降低了功耗和延迟。
低成本与可扩展性： 仅使用混合耦合器和移相器这两种成熟、低成本的微波组件，且设计方法具有通用性（适用于任意 $2^L$ 大小），使得大规模集成成为可能。
应用前景： 该技术为 6G 通信中的波束成形、实时雷达信号处理、以及基于波域的神经网络（Wave-domain Neural Networks）提供了新的硬件加速方案。
未来方向： 论文指出，虽然目前主要关注线性变换，但结合非线性射频组件，未来可能实现更复杂的模拟域计算（如矩阵求逆、非线性激活函数），进一步拓展模拟计算的边界。

总结： 本文从理论推导到硬件实现，完整构建了基于混合耦合器和移相器的微波模拟计算框架，不仅揭示了其数学本质，还通过高精度的实验验证了其处理 DFT 等关键信号变换的能力，为下一代超低延迟、低功耗信号处理系统奠定了坚实基础。