声学神经网络：识别设计原则与物理可行性探索

波导基的物理系统是实现超越传统电子学的高效模拟计算的有前景的途径。在此背景下，声学神经网络代表了一种在电子效率不足或受限环境中实现低功耗计算的有前景方法，但其系统性设计仍 largely 未被探索。本文引入了一个用于设计和模拟声学神经网络的框架，这些网络通过声波传播来执行计算。我们采用数字孪生方法，在包括非负信号和权重、缺乏偏置项以及与强度基非负声信号相容的非线性约束的约束下训练常规神经网络架构。我们的工作为声学神经网络提供了通用框架，将可学习的网络组件直接连接到可测量的声学属性，从而系统化地设计可实现的声学计算系统。我们演示了约束化的递归和层次化架构可实现准确的语音分类，并提出了SincHSRNN—a一种将可学习的声学带通滤波器与层次化时序处理相结合的混合模型。SincHSRNN在AudioMNIST数据集上实现最高95%的准确率，同时保持与被动声学组件的兼容性。除计算性能外，所学参数还对应于可测量的材料和几何属性，如衰减和传输。我们的结果确立了面向可实现声学神经网络的通用设计原则，勾勒了通往低功耗波基神经计算的道路。