基于超透表面的无线神经网络用于轻量级过空传输边缘推断
新兴技术
2026-02-24 v1 机器学习
信号处理
摘要
第六代 (6G) 无线网络规划通过超低延迟和节能的边缘推断 (Edge Inference, EI) 支撑多样化的物联网 (IoT) 应用。然而，传统的数字机器学习硬件功耗较大，催生了另类计算范式的需求。过空传输 (Over-The-Air, OTA) 计算被视为一种新兴且变革性的 approach， 将无线信道分配给主动执行计算任务。本文引入基于超透表面的神经网络 (Metasurfaces-Integrated Neural Networks, MINNs) 的概念，这是一种由物理层支持的深度学习框架，利用可编程多层超透表结构和多输入多输出 (Multiple-Input Multiple-Output, MIMO) 信道，在波传播域实现计算层。MINN系统由三个模块构成：编码器、信道（不可控的传播特征和超透表）和解码器。前述两个模块分别在多天线发射器和接收器处实现，包含常规数字或精心设计的模拟深度神经网络 (Deep Neural Network, DNN) 层，而信道模块的超透表响应作为可训练权重与所有模块一起优化。该架构实现了计算卸载至端到端物理层，灵活分布在各组成模块之间，实现了与完全数字DNN相当的性能，同时显著降低功耗。本文介绍了MINN框架的训练方法、两种代表性变体以及针对典型应用的性能结果，突出了MINNs作为面向未来面向EI使能无线系统的轻量级可持续解决方案的潜力。文章以一系列开放挑战和有前景的研究方向收尾。
引用
@article{arxiv.2602.19312,
title = {Metasurfaces-Integrated Wireless Neural Networks for Lightweight Over-The-Air Edge Inference},
author = {Kyriakos Stylianopoulos and Mario Edoardo Pandolfo and Paolo Di Lorenzo and George C. Alexandropoulos},
journal= {arXiv preprint arXiv:2602.19312},
year = {2026}
}
备注
9 pages, 6 figures, submitted for magazine publication