南京大学缪峰、梁世军Nat. Sens.:用于智能遥感的感内无线计算

研究背景

随着遥感技术的快速发展，星载光学传感器获取的图像分辨率与幅宽不断提升，单幅图像可达数亿像素。传统遥感架构将“成像”、“压缩”与“无线传输”视为三个独立环节：先完整成像并逐像素进行模数转换，再通过复杂的数字压缩算法处理，最后进行信号调制与传输。这种串行处理方式在有限信道容量下导致显著的时间延迟，难以满足实时性要求。为此，研究者们开始探索将感知、压缩与调制融合的“感内计算”新范式。

成果简介

南京大学缪峰教授，梁世军教授团队设计并实现了一种基于MoS₂光晶体管阵列的感内无线计算系统，首次将光学压缩感知与信号调制在硬件层面融合，实现“边感知边传输”。该系统利用光学透镜对原始图像进行傅里叶变换，仅保留低频空间频率成分，再通过微透镜阵列将频率信息转化为光强与光传播方向。每个微透镜对应一个由四个MoS₂光晶体管组成的编码单元，各晶体管被施加不同频率的交流驱动电压。当光照射时，其输出交流光电流的幅度受光强调制，频率则由驱动电压决定。多个单元的输出电流在时域叠加，形成一个包含多频率分量的复合信号，可直接通过天线进行无线传输。接收端通过相干解调与傅里叶分析，提取频率分量即可重建图像或直接用于识别。

实验表明，该系统可在30:1的高压缩比下实现图像无线传输，对FashionMNIST数据集的识别准确率与原图相当。与传统“成像+GPU压缩+传输”架构相比，端到端延迟降低了96.8%（从322 ms降至10.26 ms）。研究还分析了系统的扩展性，理论上可支持万像素级图像的实时传输。该工作为未来星地一体化网络、边缘-云协同计算等场景提供了全新的低延迟智能遥感解决方案。

图文导读

图1 | 感内无线计算架构。a，卫星遥感示意图，包括成像、压缩和无线视觉数据传输。对于一个N×N像素的图像，传统范式需要进行N²次模数转换。由模数转换引起的总延迟时间随着图像尺寸N的增加呈平方关系快速增长。b，感内无线计算范式从光学输入到无线传输的物理结构和过程，包括融为一体的光学压缩感知和光电信号调制。c, d，基于交流光响应和频分复用（FDM）的感内信号调制。c，光照下阵列中一个光导器件的交流驱动电压输入与交流光电流输出的关系。光电流的幅度受光强调制，因此光强信息可以被编码到交流光电流信号的幅度中。d，将n个频率不同但幅度相同的电压信号输入到一个由n个光导器件组成的阵列中。求和后的输出光电流信号包含n个频率。原始图像的空间频率，包括光强和传播方向，f_1,f2, …, f_n, 的幅度谱中, 其中P₁, P₂, …, P_n表示入射到每个光导器件上的光强。

图2 | MoS₂光晶体管在直流与交流驱动电压下的光电响应特性。a，MoS₂光晶体管器件结构示意图。b，MoS₂器件在直流驱动信号下的光电响应特性。在V_BG = 0V、光波长520nm条件下，MoS₂器件在不同光强下的I_DS-V_DS输出曲线。c，MoS₂器件在交流驱动信号下的光电响应特性。不同光强下V_DS（上）和I_DS（下）的时域波形。V_DS是一个频率为10 Hz、幅度为1 V、偏移量为0 V的正弦信号。V_BG设置为−20 V。d，不同光照下交流光电流幅度的频率依赖性。I_DS的幅度与所施加的V_DS频率无关，仅与光强相关。

图3 | 基于MoS₂光晶体管阵列的感内无线信号调制。a，4个交流光电编码单元的示意图和显微镜图像，每个单元由一个2×2 的MoS₂光导器件阵列构成。一个微透镜处的空间频率信息可以通过穿过该微透镜后的光强和传播方向来反映。单元内的器件由不同频率的驱动电压供电。光强和方向信息可以被同时记录到该单元内所有器件的求和光电流中。b-f，在不同光斑位置（反映空间频率的不同相位梯度）下，单元的求和光电流输出(I_unit)。b，∇ϕ=ϕ₁（光照在左上角器件上，其 V_DS频率为100Hz）。c，∇ϕ=ϕ₂（光照在右上角器件上，其V_DS频率为 200Hz）。d，∇ϕ=0（光照在单元中心，4个器件均被部分照射）。e，∇ϕ=ϕ₃（光照在左下角器件上，其V_DS频率为300Hz）。f，∇ϕ=ϕ₄（光照在右下角器件上，其V_DS频率为400Hz）。左侧：时域的I_unit输出。右侧：I_unit经过傅里叶变换后对应的频域。

图4 | 感内无线计算的硬件实现。a，用于图像压缩感知、无线传输和无线接收的架构示意图。b，针对输入图像“N”，由交流光电编码单元阵列产生的时域光电流信号输出(I_array)。c，经过118.3-MHz载波信号调制后，携带图像信息的发射信号。d，在接收端经过相干解调后获得的包含图像信息的时域信号。e，使用LeNet-5神经网络对FashionMNIST数据集的原始图像（蓝点）和压缩后的空间频率信息（红点）进行识别的准确率。f, g，使用LeNet-5神经网络对FashionMNIST数据集的原始图像（f）和空间频率信息（g）进行识别的混淆矩阵。h，原始输入图像“N”与被压缩后传输的图像“N”的数据量比较。i，原始大尺度图像与被压缩后传输图像的数据量比较。j，传统范式（完整成像和模数转换后进行GPU压缩）与我们提出的感内无线计算方案之间的延迟比较。

论文信息：

Wang, Y., Yang, Y., Yang, N. et al. In-sensor wireless computing for intelligent remote sensing. Nat. Sens. (2026).

（链接：https://doi.org/10.1038/s44460-026-00043-1）

上海昂维科技有限公司现提供二维材料单晶和薄膜等耗材，器件和光刻掩膜版定制等微纳加工服务，以及各种测试分析，欢迎各位老师和同学咨询，竭诚做好每一份服务。