近日，南方科技大学深港微电子学院王中锐研究团队在压电声波忆阻神经网络领域取得新进展，与深圳职业技术大学于洪宇团队合作在学术期刊Science Advances上发布研究类论文。
人工智能（AI）与无线射频（RF）技术（如 6G）的深度融合，正加速推动物联网（IoT）的发展，尤其使边缘设备朝着更智能、更高响应性的方向演进。通过在终端侧直接实现射频信号的实时处理与分析，这一技术路径有效降低了对云计算的依赖，在时延、隐私保护和能耗效率等方面展现出显著优势。然而，传统数字硬件处理射频信号需频繁进行模数转换，并受限于“冯·诺依曼瓶颈”，导致高功耗与高时延。
为此，基于模拟波计算的“感知—存储—计算一体化”范式受到广泛关注，该方法通过直接调制波的传播过程实现信号处理与神经计算，避免 ADC 并突破架构限制。相关代表性工作包括基于惠更斯原理的全光衍射深度神经网络，以及采用多层可编程超表面阵列实现的衍射神经网络等。尽管如此，现有基于电磁波的模拟无线射频神经网络仍面临系统尺寸大、器件易失性以及有源功能集成复杂等关键问题。
为解决上述问题，研究团队提出并实现了一种基于声电效应的表面声波（SAW）忆阻器神经网络架构。得益于 SAW 波长由叉指电极周期决定并可缩小至亚微米尺度，该方案在相同频率下较电磁波实现五个数量级的尺寸压缩，显著提升了边缘系统集成潜力。同时，引入非易失 Ag/SiO2 忆阻器实现稳定可编程的 SAW 相位调制，并天然兼容射频放大与滤波功能。
基于该器件，构建了完整的 SAW 忆阻器神经网络，并在向量分类任务中实现 91.7% 的识别准确率。与等效电磁波神经网络相比，系统尺寸缩小五个数量级。该研究为低功耗、高集成度的智能射频信号处理与边缘计算提供了一种新的物理实现路径。
图1. 基于压电声表面波忆阻神经网络概述
研究团队首先对SAW相位移器的调制性能进行了实验表征。该器件基于声电效应，通过外加偏置电压调控半导体中载流子的迁移行为，实现对 SAW 传播相位的电学调制。当 SAW 在压电衬底上传播时，压电极化产生的电场与邻近半导体层中的自由载流子耦合，从而改变声波的传播速度。
为增强调制效率，研究选用了高机电耦合系数的 41° Y 切 LiNbO3 作为压电衬底，并采用可低温沉积的 ZnO 作为调制层。实验表明，器件在约 304 MHz 处稳定激发剪切水平（SH0）模式声波，电学与仿真结果一致。
在 25 V 偏置条件下，调制长度为 500 μm 的器件实现了最高约 195° 的相位调制，而附加衰减小于 0.3 dB，展现出高效、低损耗的调制特性。进一步测试显示，该相位调制效果在不同声波输入强度下保持稳定，体现了良好的工作鲁棒性。
图2. 基于声电效应的SAW相移器
而后，将基于声电效应的相位移器与 Ag/SiO2/Au 电学忆阻器进行集成，构建了一种具备非易失、可编程相位调制能力的 SAW 忆阻器。该忆阻器与 ZnO 调制层串联，作为具有记忆效应的电学开关，并可以通过其电阻状态调控 ZnO 中载流子的迁移行为，从而实现 SAW 相位的稳定控制。
实验表明，Ag/SiO2/Au 忆阻器表现出典型的双极性阻变特性，具备良好的非易失性、循环稳定性和保持特性，高、低阻态电阻比约为 10⁴。在此基础上构建的 SAW 忆阻器实现了电学状态与声学相位调制的有效耦合。
当忆阻器处于“导通”状态时，随着外加电压升高，SAW 相位连续可调，在 25 V 下实现最大约 187° 的相位变化；而当忆阻器处于“关断”状态时，其高阻特性有效切断调制通道，SAW 相位随电压变化保持不变。该结果表明，忆阻器的非易失电阻状态可直接映射为声波相位偏置，实现稳定、可编程的声学调制功能。
图3. 集成式电学 Ag/SiO2/Au 忆阻器与 SAW 相移器
类似于电学忆阻器， SAW忆阻器可通过阵列化方式构建物理神经网络，实现对 SAW 信号的直接计算。研究团队搭建并验证了一种 SAW 忆阻神经网络原型，用于射频信号向量分类任务。该网络由三路输入叉指电极（IDTs）、包含 24 个可编程 SAW 忆阻神经元的隐藏层，以及两路输出 IDTs 构成。
网络中每个 SAW 忆阻神经元均可独立编程，其非易失状态对应不同的声波相位权重。通过软件训练优化后，将权重映射至器件，实现基于声波相位的物理计算。由于忆阻器仅工作于“导通”和“关断”两种状态，该网络以二值相位方式运行，在稳定性和可实现性方面优于连续模拟权重方案。
在三维向量二分类任务中，SAW 忆阻器神经网络能够根据输出端声能量分布实现有效判别。实验结果表明，合理选择二值相位差可在分类精度与功耗之间取得平衡。在选用相位对（0，π/2）条件下，网络在实验测试中实现了 91.7% 的分类准确率。
该研究验证了 SAW 忆阻器神经网络在射频信号分类中的可行性与鲁棒性，展示了其作为低功耗、物理实现的模拟智能计算平台的应用潜力，为未来智能射频与边缘计算系统提供了新的技术路径。
图4. 声表面波忆阻神经网络实现向量分类
该成果以“Piezoelectric Surface Acoustic Wave Memristor Neural Network” 为题发表于《Science Advances》。博士生张一、邓燚为论文共同第一作者，南方科技大学王中锐副教授、汪青研究教授和深圳职业技术大学于洪宇教授为论文共同通讯作者。研究工作得到国家自然科学基金、广东省、深圳市、香港基金支持。
