基于全息介质表面的端到端边缘推理
机器学习
2025-04-03 v1 新兴技术
信息论
math.IT
摘要
在边缘推理（EI）范式中，深度神经网络（DNN）被划分为多个收发器，旨在无线传输定义目标的特征以解决计算任务，无线介质通常被视为噪声源。本文受可重构智能表面（RIS）和堆叠智能介质（SIM）等新兴技术的启发，这些技术通过可控反射或衍射实现对无线信号传播的可编程控制。我们将RIS/SIM启用的数据无线环境优化为一种“空中计算”手段，类似于DNN层的操作。我们提出了一种介质表面集成神经网络（MINN）框架，用于EI，其建模、通过针对衰落信道的反向传播变体进行训练，以及部署方面的考虑。整个端到端的DNN架构足够通用，可容纳RIS和SIM设备，既可在每次传输前通过可调重构实现，也可在训练后通过固定配置实现，而且可考虑信道感知和信道无感两种收发器。我们的数值评估表明，介质表面在受限链路预算下执行图像分类具有重要作用，其测试信噪比比训练低约50 dB，即便在缺乏收发器信道知识的情况下也能实现接近最优性能。这表明我们的MINN框架显著简化了EI需求，实现了近乎最优的性能。
引用
@article{arxiv.2504.00233,
title = {Over-the-Air Edge Inference via End-to-End Metasurfaces-Integrated Artificial Neural Networks},
author = {Kyriakos Stylianopoulos and Paolo Di Lorenzo and George C. Alexandropoulos},
journal= {arXiv preprint arXiv:2504.00233},
year = {2025}
}
备注
Submitted for journal publication