激活数据要素，工业区块链应用加速落地

来自 KIT 的研究人员展示了一个非常简化的太赫兹数据信号相干接收方案。它依赖于一个简单的包络检测器和随后的数字信号处理(DSP)，该方案允许从测量的包络线重建太赫兹波形的相位，并依赖于光通信中所谓的 Kramers–Kronig(KK)接收器的推广。

“为了同时为尽可能多的用户提供网络服务，并以最大的速度传输数据，未来的无线网络或将由大量小型无线蜂窝基站子系统组成。”来自 KIT 的 6G 技术研究专家克里斯蒂安 · 库斯(Christian Koos)教授表示，这些无线蜂窝子系统设备，会距离较短，因此可以以最小的能量消耗和较低的电磁干扰来传输高数据速率，相关基站会比较紧凑，而且可轻松安装在建筑物或路灯上，之间通过太赫兹波来连接。

在这项实验中，研究人员使用了一种高速肖特基势垒二极管(SBD)作为一个宽频带和紧凑的包络检测器。

该论文的第一作者托比亚斯 · 哈特(Tobias Harter)博士进一步解释其原理：“接收器的核心是一个二极管，它可以对太赫兹信号进行整流。”这种二极管是一种所谓的肖特基势垒二极管，它提供大带宽，用作包络检测器来恢复太赫兹信号的振幅。然而，数据的正确解码还需要太赫兹波的时变相位，这在校正过程中通常会丢失。
 

通常来讲，传输速率随着载波频率增加而增加，太赫兹波段是指频率在 0.1～10THz 范围内的电磁波，其频率介于微波和红外波段之间，兼有微波和光波的特性，太赫兹频段大约是长波、中波、短波、微波整体带宽的 1000 倍，这决定了太赫兹通信是高宽带通信，乃至具备 100Gbit/s 以上高速数据传输能力。

太赫兹通信有望满足未来人们对无线网络速率不断增加的需求，也有望缓解近年来无线通信频谱资源紧张，且太赫兹波作为电磁空间中尚未有效开发利用的频谱资源，已成为各大科技强国竟相攀登的技术制高点，被视为是改变未来世界的十大科学技术之一。

虽然太赫兹通信如此强大，但这些信号的相干接收在很大程度上依赖于十分复杂的太赫兹电路，其包括例如高速混频器和太赫兹本地振荡器(LOs)等，这些电路成本高昂，也往往是传输链路的带宽瓶颈。
 

虽然 5G 尚未普及，但科学家们早已开始探索 6G 技术。在第六代移动通信技术路线中，以太赫兹 (THz) 频率进行无线传输成为一种特别有吸引力且灵活的解决方案。

日前，德国卡尔斯鲁厄理工学院(KIT)的研究人员提出一种低成本太赫兹接收器设计，在概念验证实验中，该团队演示了在 110 米的距离内以 115 Gbit/s 的数据速率和 0.3THz 的载波频率进行传输的情况，这实现了迄今为止，在超过 100 米的距离上无线太赫兹通信的最高数据速率，研究结果发表在《自然 · 光子学》(Nature Photonics )上。

115 Gbit/s 是什么概念呢?转化成我们生活中通常说的网速，按照 1B=8bits 单位换算，那 115 Gbit/s=14.375GB/s，也就是说，这个 “网速” 每秒可传输超过 14GB 的数据，对比而言，根据国际电信联盟(ITU)推行的 5G 网络建设标准，规范要求速度高达 20 Gbit/s，以实现宽信道带宽和大容量，其峰值理论传输速度才 2.5GB/s。

为什么太赫兹通信可以实现每秒十几 GB 级的传输速率?这里需要简单介绍下无线通信技术中载波频率与传输速率的关系。
 

在 eht-imaging 库中，NumPy 数组在流程链的每一步存储和操纵数值数据。

基于数组编程创建的交互式环境及其周边的工具生态系统(IPython 或 Jupyter 内部)完美适用于探索性数据分析。用户可以流畅地检查、操纵和可视化他们的数据，并快速迭代以改善编程语句。然后，将这些语句拼接入命令式或函数式程序，或包含计算和叙述的 notebook。

超出探索性研究的科学计算通常在文本编辑器或 Spyder 等集成开发环境(IDE)中完成。这一丰富和高产的环境使 Python 在科学研究界流行开来。

为了给探索性研究和快速原型提供补充支持，NumPy 形成了使用经过时间检验的软件工程实践来提升协作、减少误差的文化。这种文化不仅获得了项目领导者的采纳，而且还被传授给初学者。NumPy 团队很早就采用分布式版本控制和代码审查机制来改善代码协同，并使用持续测试对 NumPy 的每个提议更改运行大量自动化测试。

这种使用最佳实践来制作可信赖科学软件的文化已经被基于 NumPy 构建的生态系统所采用。例如，在近期英国皇家天文学会授予 Astropy 的一项奖项中表示：「Astropy 项目为数百名初级科学家提供了专业水平的软件开发实践，包括版本控制使用、单元测试、代码审查和问题追踪程序等。这对于现代研究人员而言是一项重要的技能组合，但物理或天文学专业的正规大学教育却常常忽略这一点。」社区成员通过课程和研讨会来弥补正规教育中的这一缺失。

近来数据科学、机器学习和人工智能的快速发展进一步大幅提升了 Python 的科学使用。Python 的重要应用，如 eht-imaging 库，现已存在于自然和社会科学的几乎每个学科之中。这些工具已经成为很多领域主要的软件环境。大学课程、新手培训营和暑期班通常教授 NumPy 及其生态系统，它们也成为世界各地社区会议和研讨会的焦点。NumPy 和它的 API 已经无处不在了。

数组激增和互操作性

NumPy 在 CPU 上提供了内存内、多维和均匀键入(即单一指向和跨步的)的数组。NumPy 可以在嵌入式设备和世界上最大的超级计算机等机器上运行，其性能接近编译语言。在大多数情况下，NumPy 解决了绝大部分的数组计算用例。

但是现在，科学数据集通常超出单个机器的存储容量，并且可以在多个机器或云上存储。此外，近来深度学习和人工智能应用的加速需求已经促生了专用加速器硬件，包括 GPU、TPU 和 FPGA。目前，由于 NumPy 具有的内存内数据模型，它无法直接使用这类存储和专用硬件。

然而，GPU、TPU 和 FPGA 的分布式数据和并行执行能够很好地映射到数组编程范式，所以可用的现代硬件架构与利用它们的计算能力所必需的工具之间存在着差距。

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!