論文の概要: A Learnable SIM Paradigm: Fundamentals, Training Techniques, and Applications
- arxiv url: http://arxiv.org/abs/2603.24599v1
- Date: Fri, 13 Mar 2026 09:17:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.035604
- Title: A Learnable SIM Paradigm: Fundamentals, Training Techniques, and Applications
- Title（参考訳）: 学べるSIMパラダイム:基礎, 訓練技術, 応用
- Authors: Hetong Wang, Yashuai Cao, Tiejun Lv,
- Abstract要約: 本稿では,学習可能なSIMアーキテクチャを導入し,第6世代(6G)システムのための学習可能なSIMベース機械学習(ML)パラダイムを提案する。
我々は,マルチユーザ信号分離を効果的に実現し,通信信号を妨害信号と区別する2つのSIM方式の無線信号処理手法を開発した。
- 参考スコア（独自算出の注目度）: 11.830376806406539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stacked intelligent metasurfaces (SIMs) represent a breakthrough in wireless hardware by comprising multilayer, programmable metasurfaces capable of analog computing in the electromagnetic (EM) wave domain. By examining their architectural analogies, this article reveals a deeper connection between SIMs and artificial neural networks (ANNs). Leveraging this profound structural similarity, this work introduces a learnable SIM architecture and proposes a learnable SIM-based machine learning (ML) paradigm for sixth-generation (6G)-andbeyond systems. Then, we develop two SIM-empowered wireless signal processing schemes to effectively achieve multi-user signal separation and distinguish communication signals from jamming signals. The use cases highlight that the proposed SIM-enabled signal processing system can significantly enhance spectrum utilization efficiency and anti-jamming capability in a lightweight manner and pave the way for ultra-efficient and intelligent wireless infrastructures.
- Abstract（参考訳）: スタックド・インテリジェンス・メタサーフェス(SIM)は、電磁(EM)波領域におけるアナログ計算が可能な多層プログラム可能なメタサーフェスを構成することで、無線ハードウェアにおけるブレークスルーを表現している。
アーキテクチャの類似性を調べることで、SIMと人工ニューラルネットワーク(ANN)のより深い関係を明らかにする。
この深い構造的類似性を活用して、この研究は学習可能なSIMアーキテクチャを導入し、第6世代(6G)およびその他システムのための学習可能なSIMベース機械学習(ML)パラダイムを提案する。
そこで我々は,マルチユーザ信号分離を効果的に実現し,通信信号を妨害信号と区別する2つのSIM方式の無線信号処理手法を開発した。
SIM対応信号処理システムでは,スペクトル利用効率とアンチジャミング能力を軽量に向上し,超高効率でインテリジェントな無線インフラを実現することができる。
関連論文リスト
- Sensing and Understanding the World over Air: A Large Multimodal Model for Mobile Networks [59.23869884913339]
無線ネイティブなマルチモーダル大モデル(WMLM)は、マルチモーダルデータによって物理世界を理解し、理解することができる。
我々は、GPTスタイルのWMLMモデルを構築し、それを現実世界の大規模データセット上で訓練し、無線信号をコントラスト学習のためのアンカーモダリティとして活用した。
論文 参考訳（メタデータ） (2025-11-17T07:33:46Z) - SIMulator: SIM Tracing on a (Pico-)Budget [3.754432513371976]
SIMトレーシングは細胞ネットワーク研究において重要な技術となっている。
この研究は、SIMトレーシングを研究者やホビイストの広いコミュニティで利用できるようにすることを目的としている。
論文 参考訳（メタデータ） (2025-06-25T19:44:18Z) - Modeling and Performance Analysis for Semantic Communications Based on Empirical Results [53.805458017074294]
終端計測とSNRの関係をモデル化するためのAlpha-Beta-Gamma (ABG) 式を提案する。
画像再構成タスクでは、提案されたABG公式は、SCUNetやVision Transformerといった一般的なDLネットワークに適合する。
我々の知る限りでは、これはエンドツーエンドのパフォーマンス指標と意味コミュニケーションのためのSNRの間の最初の理論的表現である。
論文 参考訳（メタデータ） (2025-04-29T06:07:50Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - 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) - MICSim: A Modular Simulator for Mixed-signal Compute-in-Memory based AI Accelerator [10.65687190002229]
この研究はMICSimを紹介した。MICSimは、チップレベルのソフトウェア性能とCIM(Mixed-signal Compute-in-Memory)アクセラレータのハードウェアオーバーヘッドを評価するために設計された、オープンソースの回路前シミュレータである。
MICSimはモジュラー設計を特徴とし、多層共同設計と設計空間の探索が容易である。
論文 参考訳（メタデータ） (2024-09-23T09:12:46Z) - Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。
本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。
合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
論文 参考訳（メタデータ） (2023-06-19T12:01:28Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳（メタデータ） (2022-02-26T14:51:02Z) - Multi-task Learning Approach for Automatic Modulation and Wireless
Signal Classification [1.827510863075184]
深層ニューラルネットワークの可能性をマルチタスク学習(MTL)フレームワークと組み合わせて活用し、変調と信号分類のタスクを同時に学習します。
我々は、レーダーと複数のラベルとの通信信号からなる唯一の既知のオープン異種無線信号データセットをリリースします。
論文 参考訳（メタデータ） (2021-01-25T17:43:42Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。