論文の概要: Metasurfaces-Integrated Wireless Neural Networks for Lightweight Over-The-Air Edge Inference

• arxiv url: http://arxiv.org/abs/2602.19312v1
• Date: Sun, 22 Feb 2026 19:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.579042
• Title: Metasurfaces-Integrated Wireless Neural Networks for Lightweight Over-The-Air Edge Inference
• Title（参考訳）: 空中エッジ推論のための準曲面集積型無線ニューラルネットワーク
• Authors: Kyriakos Stylianopoulos, Mario Edoardo Pandolfo, Paolo Di Lorenzo, George C. Alexandropoulos,
• Abstract要約: 6G無線ネットワークは、さまざまなモノのインターネット(IoT)アプリケーションのための超低レイテンシとエネルギー効率のエッジ推論(EI)を想定している。 従来の機械学習用デジタルハードウェアは電力集約型であり、代替計算パラダイムの必要性を動機付けている。 オーバー・ザ・エア(OTA)計算は、無線チャネルを割り当て、積極的に計算処理を行うための新しい変換手法であると考えられている。 本稿では,物理層対応ディープラーニングフレームワークであるMetagrounds-Integrated Networks(MINNs)のコンセプトを紹介する。
• 参考スコア（独自算出の注目度）: 34.75476728721598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The upcoming sixth Generation (6G) of wireless networks envisions ultra-low latency and energy efficient Edge Inference (EI) for diverse Internet of Things (IoT) applications. However, traditional digital hardware for machine learning is power intensive, motivating the need for alternative computation paradigms. Over-The-Air (OTA) computation is regarded as an emerging transformative approach assigning the wireless channel to actively perform computational tasks. This article introduces the concept of Metasurfaces-Integrated Neural Networks (MINNs), a physical-layer-enabled deep learning framework that leverages programmable multi-layer metasurface structures and Multiple-Input Multiple-Output (MIMO) channels to realize computational layers in the wave propagation domain. The MINN system is conceptualized as three modules: Encoder, Channel (uncontrollable propagation features and metasurfaces), and Decoder. The first and last modules, realized respectively at the multi-antenna transmitter and receiver, consist of conventional digital or purposely designed analog Deep Neural Network (DNN) layers, and the metasurfaces responses of the Channel module are optimized alongside all modules as trainable weights. This architecture enables computation offloading into the end-to-end physical layer, flexibly among its constituent modules, achieving performance comparable to fully digital DNNs while significantly reducing power consumption. The training of the MINN framework, two representative variations, and performance results for indicative applications are presented, highlighting the potential of MINNs as a lightweight and sustainable solution for future EI-enabled wireless systems. The article is concluded with a list of open challenges and promising research directions.
• Abstract（参考訳）: ワイヤレスネットワークの第6世代(6G)は、さまざまなモノのインターネット(IoT)アプリケーションに対して、超低レイテンシとエネルギー効率のエッジ推論(EI)を想定している。 しかし、機械学習のための従来のデジタルハードウェアは電力集約であり、代替の計算パラダイムの必要性を動機付けている。 オーバー・ザ・エア(OTA)計算は、無線チャネルを割り当て、積極的に計算処理を行うための新しい変換手法であると考えられている。 本稿では、プログラム可能な多層準曲面構造と多重入力多重出力(MIMO)チャネルを利用して、波動伝搬領域の計算層を実現する物理層対応深層学習フレームワークである、Metagrounds-Integrated Neural Networks(MINNs)の概念を紹介する。 MINNシステムは、Encoder、Channel(制御不能な伝搬機能と準曲面)、Decoderの3つのモジュールとして概念化されている。 最初のモジュールと最後のモジュールは、それぞれマルチアンテナ送信機と受信機で実現され、従来のデジタルまたは目的に設計されたアナログディープニューラルネットワーク(DNN)層で構成され、チャネルモジュールの準曲面応答は、トレーニング可能な重みとして全てのモジュールと共に最適化される。 このアーキテクチャは、計算をエンド・ツー・エンドの物理層にオフロードし、構成モジュールの柔軟に構成し、完全なデジタルDNNに匹敵する性能を実現し、消費電力を大幅に削減する。 MINNフレームワークのトレーニング,2つの代表的バリエーション,および示唆的アプリケーションの性能結果が提示され,将来のEI対応無線システムにおける軽量で持続可能なソリューションとしてのMINNの可能性を強調した。 この記事は、オープンな課題と有望な研究方向性のリストで締めくくられている。

関連論文リスト

• Integrating Stacked Intelligent Metasurfaces and Power Control for Dynamic Edge Inference via Over-The-Air Neural Networks [34.27766974092816]
  本稿では,従来の無線チャネルをノイズとして扱う手法を回避したエッジ推論(EI)フレームワークを提案する。 無線伝搬の制御にはスタックド・インテリジェント・メタサーフェス(SIM)を用いる。
  論文  参考訳（メタデータ） (2025-09-23T12:13:06Z)
• Over-the-Air Edge Inference via End-to-End Metasurfaces-Integrated Artificial Neural Networks [29.28415364984592]
  エッジ推論(EI)のための準曲面統合ニューラルネットワーク(MINN)の枠組みを提案する。 MINNは、EI要求を大幅に単純化し、トレーニングに比べて50ドル以下で、ほぼ最適性能を達成できる。
  論文  参考訳（メタデータ） (2025-03-31T21:14:09Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Real-time Multi-Task Diffractive Deep Neural Networks via Hardware-Software Co-design [1.6066483376871004]
  本研究は,d$2$nnsでロバストかつノイズ耐性のあるマルチタスク学習を実現する,新しいハードウェアソフトウェア共同設計手法を提案する。 私たちの実験結果は、汎用性とハードウェア効率の大幅な改善を示し、提案されたマルチタスクD$2$NNアーキテクチャの堅牢性を実証します。
  論文  参考訳（メタデータ） (2020-12-16T12:29:54Z)

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。