太赫茲(Terahertz 或者 THz)波段可以定義為 0.3 THz～3 THz 的電磁波。從頻率上看，太赫茲波段處于微波與光波之間，被稱為“太赫茲間隙”(THz Gap)。然而，近年來的一系列研究表明，正是在這個間隙，存在著巨大的開發(fā)潛力和應用價值。它可以廣泛地應用于爆炸物檢測、藥品檢測、成像、雷達和無線寬帶通信。

最近，Nature的Scientific Report報道了一種關(guān)于太赫茲無線鏈路解調(diào)的研究成果[1]。

作者報告的“認知解調(diào)”(Cognitive Demodulation)，利用人工智能技術(shù)，在實驗室內(nèi)，誤比特率性能提高了100倍以上；在非實驗室環(huán)境下，誤碼率提高了約60倍。此外，解調(diào)速度也大大提高，可以實時解調(diào)。除了軟件上的進步，文章還展示了硬件方面的重要改進。這項技術(shù)已經(jīng)走出了實驗室，在辦公室走廊里進行了現(xiàn)場試驗。

系統(tǒng)構(gòu)成

這個被研究小組稱為“太赫茲火炬”（"THz Torch"）的系統(tǒng)，是一個超低價格的太赫茲近距離無線連接。

“THz Torch”的系統(tǒng)模型最早在2011年提出，基本架構(gòu)如下圖[2]。該系統(tǒng)使用簡單的OOK調(diào)制，工作于25~50THz之間。

超低成本OOK“THz Torch”無線通信鏈路架構(gòu)

該系統(tǒng)利用了超低成本的熱發(fā)射器（微型白熾燈陣列），通過熱發(fā)射產(chǎn)生非相干的電磁能量，接收端采用熱釋電紅外（pyroelectric infrared，PIR）傳感器，從而構(gòu)成無線鏈路。為了使峰值光譜功率密度位于電磁光譜的遠/中紅外部分，燈絲需要能夠發(fā)熱，鎢燈泡是這種應用的首選。

"THz Torch”系統(tǒng)基本組成單元[3]

該研究小組9年來，從系統(tǒng)級架構(gòu)到設備級實現(xiàn)技術(shù)多方面進行了研究，在保持使用固有的低成本組件的同時，使該技術(shù)可用于安全應用（例如，私鑰遙控器、隱蔽遙控、安全設備數(shù)據(jù)鏈路等）的低數(shù)據(jù)速率無線鏈路。

實驗系統(tǒng)如下所示[1]:

（a）收發(fā)鏈路展示

（b）發(fā)射機

（c）接收機

（d）熱圖像

（e）收發(fā)信基本功能框圖

“THz Torch”實驗系統(tǒng)

認知解調(diào)

認知無線電（Cognitive Radio）是無線通信的不小進步。它把感知、推理、決策引入到無線通信中來。認知無線電的主要內(nèi)容是感知可用頻譜，讓非授權(quán)用戶也能享用授權(quán)頻譜，從而解決頻譜資源緊缺問題。

如果基于傳統(tǒng)的門限檢測，是檢測PIR傳感器輸出電壓，而“THz Torch”的認知解調(diào)（Cognitive Demodulation）是指：動態(tài)預測下一個待接收比特兩種可能的熱瞬態(tài)。認知解調(diào)動態(tài)地確定幀的起始位置，并預測幀內(nèi)每個比特的狀態(tài)。

認知解調(diào)后來獲得了改進[1]：通過優(yōu)化方法校準熱輻射器參數(shù)值，使解調(diào)算法更加適應組件變化和環(huán)境變化；利用變化點檢測的定時同步技術(shù)，在測量波形及其關(guān)聯(lián)幀之間實現(xiàn)了更好的時間對齊；引入了長短期記憶網(wǎng)絡LSTM（Long-Short Term Memory），顯著提升了BER性能和計算效率。下面將介紹最后一項改進。

人工智能增強認知解調(diào)

將基于熱力學的模型與人工智能相結(jié)合，文獻[1]將神經(jīng)網(wǎng)絡引入認知解調(diào)，具體實現(xiàn)采用LSTM。見下圖所示：

基于LSTM的認知解調(diào)器

在上圖中，xi代表第i個比特的波形。對于每個比特，LSTM獲取與該比特相關(guān)聯(lián)的同步測量波形，以更新其單元狀態(tài)ci和隱藏狀態(tài)hi。當更新的狀態(tài)被傳遞到下一步時，隱藏狀態(tài)hi傳送到多層感知（Multi-Layer Perception，MLP），由MLP對當前比特做出概率決策。

過擬合和域遷移（domain shift）會影響到基于LSTM的認知解調(diào)器的應用。雖然LSTM具有將測量波形映射為二進制比特的潛能，但它有可能會過擬合。解決方案是收集構(gòu)建一個大的訓練數(shù)據(jù)集，但這在實際中可能會很耗時。此外，由于發(fā)射器和感知器參數(shù)值的時變性，會發(fā)生域遷移。在訓練數(shù)據(jù)集沒有覆蓋系統(tǒng)參數(shù)值的情況下，傳統(tǒng)的基于學習的解調(diào)器可能工作得很差。但文獻[1]認為，通過基于熱力學的完整模型建立訓練數(shù)據(jù)集，可以解決過擬合和域遷移問題。

審核編輯：湯梓紅