基于 Metacircuit 的全模拟共振循环神经网络

物理神经网络为边缘智能提供了变革性的路径，相较于传统数字架构在推理速度和能源效率方面具有优势。然而，实现用于时序信息处理的可扩展、端到端、全模拟循环神经网络（R$^2$NN）仍然具有挑战，因为难以忠实地将训练好的网络模型映射到物理硬件上。本文提出了一种通过 Metacircuit 架构实现的全模拟共振循环神经网络（R$^2$NN），该架构由耦合的电气局部共振器组成。通过建立机械-电气类比，建立了 R$^2$NN 模型与 Metacircuit 元素之间的直接映射，使训练好的神经网络参数能够准确物理实现。通过集成可训练的全局电阻耦合和局部共振，这些机制产生有效的频率依赖负电阻，形塑阻抗景观，引导电流沿频率选择性路径流动。该机制使能够直接提取判别性谱特征，实现对原始模拟输入的实时时序分类，同时绕过模拟-数字转换。我们使用集成硬件演示了该框架在触觉感知、语音识别和条件监测方面的跨域多样性。该工作建立了一种可扩展的全模拟时序处理范式，为边缘智能的低延迟、资源高效物理神经硬件铺平了道路。