⚡ electrical engineering

Standard-Compliant Neuromorphic Integrated Sensing and Communications Aided by an Intelligent Reflecting Surface

本文提出了一种符合标准的神经形态集成感知与通信（N-ISAC）系统，该系统利用脉冲神经网络接收器，从 IEEE 802.15.4z 超宽带（UWB）波形中同时进行数据解调与目标检测，并分析了在真实的射线追踪信道中，由频率选择性可重构智能表面（RIS）所引入的性能与能量之间的权衡。

原作者： Jiho Park, Jiechen Chen, Joonhyuk Kang, Osvaldo Simeone

发布于 2026-08-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiho Park, Jiechen Chen, Joonhyuk Kang, Osvaldo Simeone

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

想象一下无线通信的世界就像一座繁忙、嘈杂的城市。在这座城市里，像你的手机或智能标签之类的设备不断地向彼此大声喊话，试图在交通的轰鸣声和高楼大厦的回声中被听见。几十年来，工程师们一直在制造这些设备，使它们像勤勉的会计师：它们不断检查数学计算，计算信号可能经过的每一条路径，并使用沉重的、由时钟驱动的处理器来确保信息能够传达。但这种方法就像是每当一滴雨滴落在水洼里时，都要去解一道复杂的数学题一样——它既耗能又费时。

迎来了一个被称为“神经形态计算”（neuromorphic computing）的新概念。不要把它想成一个计算器，而要把它想成一个大脑。大脑不是在不断进行数字运算，而是在发生有趣的事情时才产生一次“脉冲”活动。这极其高效。现在，想象一下将这种类脑的高效性与一种特殊的无线电信号——超宽带（UWB）结合起来。UWB 就像一道超快、超短的光闪；它如此精准，以至于可以告诉你某个物体离你有多远，几乎就像雷达一样，同时还能传输数据。科学家们提出的一个大问题是：我们能否构建一种无线设备，利用这种“类脑”的处理能力，在进行通信的同时兼顾感知，且不耗尽电池？这就是“通信感知一体化”（ISAC）的挑战，对于我们未来的设备需要更智能、更快、更节能至关重要。

倾听城市的“大脑型”无线电

在这篇论文中，一个研究小组构建了一个无线系统的原型，这个系统就像一个神经系统。他们称之为“标准兼容的神经形态通信感知一体化”（N-ISAC）系统。为了理解他们的工作，让我们来看看这个故事中的角色。

首先是信号。他们没有使用复杂的连续波，而是使用了一种标准的无线电格式——IEEE 802.15.4z。你可以把它看作是一种现实世界设备（比如你手机里的设备）已经在使用的一种非常具体的标准化语言。它使用“脉冲无线电”（Impulse Radio），这意味着它以极小的、超短的脉冲形式发送数据，就像一系列快速连发的摩斯电码点。

其次是环境。在现实世界中，信号会从建筑物、汽车和树木上反射。为了让情况变得更有趣（也更困难），研究人员在他们的模拟中加入了一个“可重构智能表面”（RIS）。想象一下墙上挂着一面巨大的、高科技的镜子，它可以被编程来弯曲无线电波。然而，这面镜子并不完美；它是由特殊的材料制成的，对不同频率的反应不同，就像棱镜将白光分解成彩虹一样。这会导致无线电脉冲发生拉伸并变得有些混乱，这对发送数据和探测物体来说都是一个问题。

第三是接收器。这是主角。他们没有使用传统的计算一切的计算机芯片，而是使用了一个脉冲神经网络（SNN）。这是一个模仿生物大脑的计算机程序。它只有在接收到特定事件（脉冲）时才会“触发”或进行工作。这使得它具有极高的能效，因为它不会在无事可做时浪费电力进行数学运算。

问题：混乱的镜子与疲惫的大脑

研究人员想要测试这种类脑接收器是否能应对现实世界中混乱的情况。具体来说，他们担心两件事：

镜子的畸变： 由于 RIS（智能镜子）具有频率选择性，它会使无线电脉冲变得模糊。这使得准确判断信号何时到达变得更加困难，而这对于读取消息和探测目标（如汽车或人）都至关重要。
能量成本： 传统的接收器试图通过繁重的计算（信道估计和均衡）来修复这种混乱，然后才能开始读取消息。这消耗了大量的功率。

团队提出了疑问：一个类脑接收器能否在观察混乱、扭曲的信号时，既能解码消息又能发现目标，同时还消耗极少的能量？

他们是怎么做的：“超网络”妙招

为了回答这个问题，他们不仅仅是构建了一个简单的脑，而是构建了一个能够即时学习的大脑。他们创建了一个由两部分组成的系统：

主脑（SNN）： 这部分处理实际数据，并判断是否存在目标。
教练（Hypernetwork）： 这是一个较小的神经网络，它观察消息的开头（“前导码”或“同步”字段）——这是一个在发送真实数据之前发送的已知模式。根据该已知模式如何被信道和镜子扭曲，教练会立即调整主脑的设置。

这就像一位音乐家在音响效果很差的房间里演奏歌曲。他不需要停下来测量房间的回声并重写乐谱（这既费时又费能），而是通过聆听前几个音符（前导码），瞬间调整自己的演奏风格，然后完美地完成整首歌。

他们还增加了一个“稀疏性”特征。由于大脑只在有脉冲时才工作，他们将系统编程为忽略微弱的噪声信号，只关注强而重要的信号。这就像在嘈杂的房间里忽略背景杂谈，只听那个喊你名字的人。

研究结果：权衡与效率的胜利

在虚拟城市中配合其智能镜子进行了数千次模拟后，研究人员发现了一些引人入胜的结果：

1. 镜子是一把双刃剑
他们发现“智能镜子”（RIS）创造了一个棘手的权衡。

对于通信： 如果镜子被调校得非常“锐利”（高品质因子），它会使信号产生更多畸变，从而难以读取数据。一个“较软”的镜子更适合发送清晰的消息。
对于感知： 令人惊讶的是，一个“锐利”的镜子实际上有助于感知！通过过滤掉一些背景噪声和杂波，目标（如汽车）会在背景中显得更加清晰。
结论： 你无法通过单一的设置同时获得最好的两种效果。研究人员表明，你必须根据你是更看重发送文本消息还是探测移动物体，来平衡镜子的设置。

2. 大脑在能量方面胜出
当他们将这种类脑接收器与传统的“会计师型”接收器进行比较时，差异巨大。

试图在读取消息前通过数学手段修复信号的传统接收器，每个消息帧大约消耗 4.2 毫焦耳 的能量。
他们的类脑接收器通过直接适应信号而非进行繁重计算，消耗不到 91 微焦耳。
这是一个巨大的降幅！通过添加“稀疏”特征（忽略微弱信号），他们可以将能量消耗进一步降低到约 51 微焦耳，而性能仅有极微小的下降。

3. 不是靠魔法，而是靠智能设计
论文明确排除了“需要一个单独的、完美的信道图谱才能实现此功能”的想法。他们的系统不需要预先知道城市的精确布局或镜子的参数。它每次都会从“前导码”（消息的开头）中学习。这意义重大，因为这意味着系统可以在变化的环境中工作，而无需不断重新校准。

核心结论

这篇论文表明，通过模仿大脑的工作方式，我们可以构建既智能又节能的无线设备。通过使用能够即时适应环境并忽略不必要噪声的类脑处理器，我们可以在发送数据的同时探测物体，而不会耗尽电池。

然而，作者也谨慎地指出，这些结果来自于受控虚拟城市中的模拟。虽然数学逻辑看起来很有前景，且理论上的节能效果巨大，但这只是迈向现实世界技术的一步，而非最终产品本身。他们证明了“大脑”方法是可行的，并且“智能镜子”增加了一个需要仔细平衡的复杂层级。这是一个概念验证，它在说：“嘿，只要我们能制造出匹配该软件的硬件，这种类脑的方式可能会成为无线技术的未来。”

问题陈述

本文探讨了在资源受限的无线设备中使用神经形态计算实现集成传感与通信（ISAC）所面临的挑战。由于脉冲无线电超宽带（IR-UWB）信号具有稀疏、事件驱动的特性，天然适用于神经形态处理，但以往关于神经形态 ISAC（N-ISAC）的研究主要依赖于简化模型。具体而言，以往的工作假设了基础的脉冲位置调制（PPM）接口和简化的统计多径信道，未能考虑到标准化的物理层协议或真实的传播环境。

此外，引入可重构智能表面（RIS）以增强 ISAC 覆盖范围引入了一个关键的复杂性：RIS 元件通常基于超材料，并表现出频率选择性响应。对于宽带 IR-UWB 信号，这种频率选择性会导致幅度衰减和相位色散，从而引起脉冲畸变、降低感知的时间到达分辨率（ToA resolution）并损害数据解调。本文旨在评估在这些现实约束下的 N-ISAC 性能：包括标准的 IEEE 802.15.4z 高速率脉冲重复频率（HRP）UWB 波形、基于射线追踪的频率选择性 RIS 信道，以及执行联合任务的单个脉冲神经网络（SNN）接收机。

方法论

作者提出了一个系统模型和接收机架构，旨在弥合理论神经形态概念与商业标准之间的差距。

1. 系统模型：

波形： 系统采用了完整的 IEEE 802.15.4z HRP UWB 物理层。这包括带有已知三进制前导码（SYNC 和 SFD 字段）的同步头（SHR），以及使用脉冲位置调制与二进制相移键控（BPM-BPSK）组合的 PHY 载荷。
信道： 采用了符合 3GPP TR 38.901 ISAC 标准的真实射线追踪信道模型。该模型将信道分解为背景杂波（静态和动态）以及目标诱发的回波。至关重要的是，RIS 被建模为具有频率选择性洛伦兹响应的表面，该响应会根据 RIS 的品质因数（ $Q$ ）使宽带脉冲发生色散。
目标： 被动雷达目标通过直接路径和经 RIS 辅助的交互路径进行建模，其中目标状态（存在/不存在）是一个二元变量。

2. 接收机架构 (HNet SNN)：
所提出的接收机使用**基于超网络的脉冲神经网络（HNet SNN）**取代了传统的显式信道估计和均衡：

稀疏化： 接收到的芯片速率观测值（包括 SYNC 和载荷）根据幅度进行稀疏化处理，仅保留最重要的芯片，从而降低输入维度。
超网络自适应： 超网络将经过同步且稀疏化的 SYNC 观测值作为输入，并为主要 SNN 主干生成特定帧的权重缩放系数。这使得接收机能够在不进行除标准 SHR 之外的显式信道估计或导频信号传输的情况下，适应当前的信道状况（包括 RIS 色散）。
联合推理： 自适应后的 SNN 处理稀疏化的载荷符号。它产生两个输出：
- 通信： 用于 BPM 和 BPSK 比特的软对数似然比（LLR），输入到符合标准的向前纠错（FEC）解码器中。
- 感知： 基于符号的目标存在概率，并在帧内进行平均，以做出最终的目标检测决策。
能量感知训练： 训练目标结合了用于通信和感知的交叉熵损失，以及一个促进稀疏性的正则化项。该正则化项控制膜电位活动以最小化脉冲数量，从而调节 ISAC 性能与事件驱动计算能耗之间的权衡。

核心贡献

本文声称了以下具体贡献：

标准化兼容的 N-ISAC： 开发了一个基于完整 IEEE 802.15.4z HRP UWB 物理层的 N-ISAC 系统，超越了以往工作中基础的 PPM 和简化信道。
频率选择性 RIS 建模： 采用包含频率选择性超材料 RIS（通过洛伦兹响应）的射线追踪信道模型，以分析色散如何影响联合 UWB 通信与感知。
前导码驱动的信道自适应： 提出了一种接收机，其超网络直接从标准化的 SYNC 前导码生成每帧神经元级的缩放系数，消除了对显式信道估计或反转的需求。
能量感知优化： 制定了一种训练目标，能够联合优化 ISAC 性能和脉冲驱动的突触活动，实现了在精度与能耗之间的可调权衡。
全面评估： 通过广泛的数值实验，量化了 RIS 频率选择性、标准化载荷参数以及所提接收机相对于基于信道估计的基准方案的能量效率。

实验结果

作者使用特定场地的城市射线追踪信道实现（通过 Sionna RT 生成）对系统进行了评估，载波频率为 6.4896 GHz。

前导码驱动的自适应： HNet SNN 实现了良好的联合性能，在 -5 dB SNR 下达到了 $\approx 10^{-2}$ 的误块率（BLER），并将目标检测误差降低至 0.1 以下。虽然基于信道估计的基准方案（LS/LMMSE）在高 SNR 下表现出略好的 BLER，但它们在目标检测方面失败了（误差 $\approx 0.5$ ），这表明均衡后的载荷表示在当前语境下对感知是无效的。
RIS 频率选择性： 根据 RIS 品质因数（ $Q$ $Q$ ）观察到了权衡关系。
- 低 $Q$ 值： 提供宽带响应，产生最佳的通信 BLER，但由于强烈的背景杂波，导致目标检测性能较差。
- 高 $Q$ 值： 增加了离共振衰减和色散，虽降低了通信性能，但通过抑制与目标无关的背景成分，提高了目标检测能力。
- 神经容量： 随着 $Q$ 值的增加，更宽的 SNN 显示出脉冲发放率系统性下降，这表明 RIS 选择性与神经形态处理效率之间存在耦合。
标准化载荷： 更高的数据速率（更短的符号持续时间）增加了信道时延扩展与符号持续时间的比率，由于符号间干扰（ISI）的存在，导致通信 BLER 恶化，尽管它们提供了适度的感知优势。
计算能量：
- HNet SNN 将计算能量降低至 < 91 $\mu$ J 每帧**，显著低于使用显式信道估计和均衡的基准方案（**> 4.2 mJ）。
- 芯片域稀疏化（降低输入保留率 $\rho$ ）进一步降低了能量（例如，在 $\rho=0.5$ 时从 89 $\mu$ J 降至 51 $\mu$ J），且性能损失极小。
- 稀疏性正则化（ $\lambda_r$ ）降低了经验脉冲发放率（例如，从 0.21 降至 0.05）和能量消耗，尽管在高正则化水平下通信可靠性略有下降。

意义与主张

本文得出结论，所提出的系统证明了在符合标准的硬件上部署神经形态 ISAC 的可行性。其主要意义在于能够在不进行显式信道估计或载荷均衡的情况下，实现联合感知与通信，而是依靠前导码驱动的超网络自适应。

作者声称，该方法实现了具有大幅降低的计算能耗的优异联合 ISAC 工作区间。此外，研究强调，RIS 频率选择性不仅是传播过程中的伪影，还是一个关键的设计参数，它在通信可靠性和感知精度之间创造了根本性的权衡，因此需要对 RIS 响应和神经接收机的容量进行协同设计。这项工作为在现实的、宽带且具有频率选择性的传播条件下评估神经形态系统建立了框架。