論文の概要: Deep Learning for Low-Latency, Quantum-Ready RF Sensing
- arxiv url: http://arxiv.org/abs/2404.17962v1
- Date: Sat, 27 Apr 2024 17:22:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 18:32:14.031650
- Title: Deep Learning for Low-Latency, Quantum-Ready RF Sensing
- Title（参考訳）: 低レイテンシ, 量子受信型RFセンシングのための深層学習
- Authors: Pranav Gokhale, Caitlin Carnahan, William Clark, Frederic T. Chong,
- Abstract要約: 近年の研究では、無線周波数(RF)信号のソフトウェア処理を強化するためにディープラーニングを適用することが期待されている。
本稿では,RF信号分類のための量子可読機械学習手法の実装について述べる。
- 参考スコア（独自算出の注目度）: 2.5393702482222813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work has shown the promise of applying deep learning to enhance software processing of radio frequency (RF) signals. In parallel, hardware developments with quantum RF sensors based on Rydberg atoms are breaking longstanding barriers in frequency range, resolution, and sensitivity. In this paper, we describe our implementations of quantum-ready machine learning approaches for RF signal classification. Our primary objective is latency: while deep learning offers a more powerful computational paradigm, it also traditionally incurs latency overheads that hinder wider scale deployment. Our work spans three axes. (1) A novel continuous wavelet transform (CWT) based recurrent neural network (RNN) architecture that enables flexible online classification of RF signals on-the-fly with reduced sampling time. (2) Low-latency inference techniques for both GPU and CPU that span over 100x reductions in inference time, enabling real-time operation with sub-millisecond inference. (3) Quantum-readiness validated through application of our models to physics-based simulation of Rydberg atom QRF sensors. Altogether, our work bridges towards next-generation RF sensors that use quantum technology to surpass previous physical limits, paired with latency-optimized AI/ML software that is suitable for real-time deployment.
- Abstract（参考訳）: 近年の研究では、無線周波数(RF)信号のソフトウェア処理を強化するためにディープラーニングを適用することが期待されている。
並行して、Rydberg原子に基づく量子RFセンサーによるハードウェア開発は、周波数範囲、解像度、感度の長年の障壁を破っている。
本稿では,RF信号分類のための量子可読機械学習手法の実装について述べる。
ディープラーニングはより強力な計算パラダイムを提供する一方で、従来は大規模なデプロイメントを妨げる遅延オーバーヘッドを発生させていました。
私たちの仕事は3つの軸にまたがっている。
1) 新しい連続ウェーブレット変換(CWT)に基づくリカレントニューラルネットワーク(RNN)アーキテクチャにより,サンプリング時間を短縮したRF信号のオンライン分類が可能となる。
2) CPU と GPU の低遅延推論技術は,100倍以上の時間削減を達成し,ミリ秒未満の推論でリアルタイムな動作を可能にする。
3)Rydberg原子QRFセンサの物理シミュレーションへの応用による量子可視性の評価を行った。
また、量子技術を使って従来の物理的限界を超える次世代RFセンサーへの作業ブリッジは、リアルタイムデプロイメントに適したレイテンシ最適化AI/MLソフトウェアと組み合わせられます。
関連論文リスト
- Rydberg Atomic Quantum Receivers for Multi-Target DOA Estimation [77.32323151235285]
ライドバーグ原子量子受信機(RAQR)は、古典的な無線通信とセンシングのための有望なソリューションとして登場した。
我々はまず、マルチターゲット検出のためのRydberg原子量子一様線形アレイ(RAQ-ULA)支援受信機を考案した。
次に、RAQ-ESPRITと呼ばれる回転不変性に基づく手法を設計することにより、信号パラメータのRydberg原子量子推定を提案する。
論文 参考訳（メタデータ） (2025-01-06T07:42:23Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communications and Sensing: Their Models and Performance [78.76421728334013]
ライドバーグ原子量子受信機(Rydberg atomic quantum receivers, RAQRs)は、高周波(RF)信号の電界を検出するための卓越した溶液である。
本稿では,無線コミュニティにおけるRAQRの超ヘテロダインバージョンについて,エンド・ツー・エンドの受信方式を提案する。
次に,現実的な受信フローに依存する等価なベースバンド信号モデルを開発する。
論文 参考訳（メタデータ） (2024-12-07T06:25:54Z) - Dynamic Spectrum Access for Ambient Backscatter Communication-assisted D2D Systems with Quantum Reinforcement Learning [68.63990729719369]
無線スペクトルは乏しくなり、D2D通信のスペクトル効率は低い。
本稿では, 周囲RF信号の後方散乱を可能にするために, 環境後方散乱通信技術をD2Dデバイスに統合することを目的とする。
我々は、より少ないトレーニングパラメータでより高速な収束率を達成することができる新しい量子強化学習(RL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-10-23T15:36:43Z) - Rydberg Atomic Quantum Receivers for Classical Wireless Communication and Sensing [71.94873601156017]
Rydberg 原子量子受信機 (RAQR) は、高周波(RF)信号を受信するように設計された量子精密センシングプラットフォームを新たに開発している。
RAQRは光-原子相互作用に基づくRF-光変換を実現する。
初期の実験的研究は、古典的な無線通信とセンシングにおけるその能力を実証した。
論文 参考訳（メタデータ） (2024-09-22T15:55:02Z) - Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
次世代の細胞概念は、大量の高周波サンプルの処理に依存している。
RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。
RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
論文 参考訳（メタデータ） (2024-03-05T17:42:39Z) - RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。
我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。
我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
論文 参考訳（メタデータ） (2022-07-08T16:37:13Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - PINNup: Robust neural network wavefield solutions using frequency
upscaling and neuron splitting [0.0]
本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。
提案したPINNは収束と精度において顕著な優位性を示す。
2層モデルでニューロンベースの高周波波動場解が得られる。
論文 参考訳（メタデータ） (2021-09-29T16:35:50Z) - A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless
Signal Classification at the Edge [3.841495731646297]
大規模な機械学習モデルでは、レイテンシに敏感な下流タスクのためにエッジデバイス上で実装することが難しくなる可能性がある。
無線通信システムでは、ミリ秒以下のスケールでのMLデータ処理により、リアルタイムなネットワーク監視が可能となる。
本稿では,フォトニック・ハードウエアにインスパイアされたリカレントニューラルネットワークモデルからなる,コンパクトなディープ・ネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-25T19:55:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。