微波衍射神经网络芯片：在毫米级GaAs芯片上同时实现感知与计算
核心概要
该工作采用GaAs半导体工艺制备了芯片级微波衍射神经网络（MDNN），通过级联耦合器与移相器在毫米级尺寸内实现衍射网络，将传统MDNN尺寸缩小四个数量级以上，计算延迟为2.05 ns，系统级能效为0.83 TOPS/W，并在MNIST手写数字识别、多用户干扰抑制和无人机实时障碍感知三个原型任务上取得超过86%的准确率，验证了该芯片在微波域直接进行数字图像处理与原位电磁信息处理的能力。
深度剖析
提出并流片实现了一种芯片级微波衍射神经网络（MDNN），在GaAs半导体工艺中集成级联耦合器与移相器，把衍射网络压缩到毫米级封装内。 相较此前光学衍射网络受制于制造与可扩展性、超表面微波系统体积庞大的状况，该工作把微波衍射网络的尺寸缩小了四个数量级以上。 证据来自实际流片的GaAs芯片及其尺寸对比陈述，属于器件级实现证据；文中未给出具体芯片面积数值与工艺节点细节。
该芯片实现了2.05 ns的计算延迟与0.83 TOPS/W的系统级能效。 为电磁衍射神经网络提供了可量化的低延迟、低功耗运行指标，支撑其作为超低功耗、低延迟AI推理路径的定位。 延迟与能效为文中报告的系统级测量指标，属于单一原型芯片的实测数据，未提供跨器件或跨批次的统计。
通过三个功能原型验证了通用性：MNIST手写数字识别、多用户干扰抑制、无人机实时障碍感知，均取得超过86%的准确率。 把同一芯片架构同时用于数字图像处理与微波域原位电磁信息处理，说明该架构不局限于单一任务类型。 证据为三个原型实验的准确率结果（均高于86%），属于演示性验证；文中未给出各任务的具体准确率数值、数据集规模或对照基线。
启示与展望
该结果面向需要在微波域直接完成推理与电磁信息处理的场景，例如数字图像识别、多用户干扰抑制与无人机实时障碍感知；其价值在于把衍射网络从台式或超表面系统搬到毫米级芯片上，使超低延迟、低功耗推理在器件层面成为可能。对读者而言，这意味着后续可关注该架构在更大规模网络、更多任务类型以及与其他微波前端集成时的表现。
当前可获取的是摘要级信息，缺少芯片面积、工艺节点、网络层数与规模、各原型任务的具体准确率与数据集规模、对照基线以及能效与延迟的测量条件等细节，因此对性能优势的幅度与适用边界仍需结合原文图表判断。此外，三个原型均为演示性任务，该架构在更复杂任务与更大规模网络上的表现，以及与其他微波前端集成时的实际约束，仍是值得持续观察的开放问题。