論文の概要: Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks

• arxiv url: http://arxiv.org/abs/2604.04212v1
• Date: Sun, 05 Apr 2026 18:07:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.986107
• Title: Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks
• Title（参考訳）: Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks (特集:情報ネットワーク)
• Authors: Meng Hua, Deniz Gündüz,
• Abstract要約: 無線物理ニューラルネットワーク(WPNN)は、無線システムの物理層で直接ニューラルネットワークを実行するための有望なパラダイムとして登場した。 本稿では,アクティベーション統合された集積型知的準曲面(AI-SIM)に基づくリレー支援型WPNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 53.64687377045908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless physical neural networks (WPNNs) have emerged as a promising paradigm for performing neural computation directly in the physical layer of wireless systems, offering low latency and high energy efficiency. However, most existing WPNN implementations primarily rely on linear physical transformations, which fundamentally limits their expressiveness. In this work, we propose a relay-assisted WPNN architecture based on activation-integrated stacked intelligent metasurfaces (AI-SIMs), where each passive metasurface layer enabling linear wave manipulation is cascaded with an activation metasurface layer that realizes nonlinear processing in the analog domain. By deliberately structuring multi-hop wireless propagation, the relay amplification matrix and the metasurface phase-shift matrices jointly act as trainable network weights, while hardware-implemented activation functions provide essential nonlinearity. Simulation results demonstrate that the proposed architecture achieves high classification accuracy, and that incorporating hardware-based activation functions significantly improves representational capability and performance compared with purely linear physical implementations.
• Abstract（参考訳）: 無線物理ニューラルネットワーク(WPNN)は、無線システムの物理層で直接ニューラルネットワークを実行するための有望なパラダイムとして登場し、低レイテンシと高エネルギー効率を提供する。 しかしながら、既存のWPNNの実装のほとんどは、その表現性を根本的に制限する線形物理変換に依存している。 本研究では, 線形波動操作が可能な各受動的準曲面層を, アナログ領域における非線形処理を実現する活性化準曲面層にカスケードする, アクティベーション統合された集積型知的準曲面(AI-SIM)に基づくリレー支援型WPNNアーキテクチャを提案する。 マルチホップ無線伝搬を意図的に構成することにより、リレー増幅行列と準曲面位相シフト行列が共にトレーニング可能なネットワーク重みとして機能し、ハードウェア実装されたアクティベーション関数は必須の非線形性を提供する。 シミュレーションの結果、提案アーキテクチャは高い分類精度を実現し、ハードウェアベースのアクティベーション機能を組み込むことで、純粋に線形な物理実装と比較して、表現能力と性能が大幅に向上することが示された。

関連論文リスト

• Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
  我々はKirchhoff-Inspired Neural Network (KINN)を提案する。 KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
  論文  参考訳（メタデータ） (2026-03-25T06:17:31Z)
• Personalized Spiking Neural Networks with Ferroelectric Synapses for EEG Signal Processing [4.084778152234208]
  プログラム可能な強誘電体ハードウェアは、スパイクニューラルネットワークにおけるロバストで低オーバヘッド適応をサポートすることができることを示す。 その結果、プログラム可能な強誘電体ハードウェアは、スパイキングニューラルネットワークの堅牢で低オーバーヘッド適応をサポートできることが示されている。
  論文  参考訳（メタデータ） (2025-12-22T01:09:24Z)
• Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems [11.456980278006574]
  本稿では、電磁逆散乱問題(ISP)を解決するための改良された物理駆動型ニューラルネットワーク(IPDNN)フレームワークを提案する。 収束を安定させ、軽量で正確なネットワークアーキテクチャを実現するため、新しいガウス局所発振抑制窓(GLOW)アクティベーション関数を導入した。 提案手法は, 従来の最先端手法と比較して, 復元精度, 堅牢性, 効率性に優れる。
  論文  参考訳（メタデータ） (2025-12-10T05:41:09Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Short-reach Optical Communications: A Real-world Task for Neuromorphic Hardware [42.043435071139434]
  専用のニューロモルフィックアクセラレーターにエミュレートされたスパイキングニューラルネットワーク(SNN)は、エネルギー効率のよい信号処理を提供する。 ここでは、データセンターで使用される高速光通信システムに関連する、強度変調、直接検出(IM/DD)タスクについて述べる。
  論文  参考訳（メタデータ） (2024-12-04T08:46:55Z)
• Equivariant Matrix Function Neural Networks [1.8717045355288808]
  解析行列同変関数を通じて非局所的相互作用をパラメータ化する新しいアーキテクチャであるマトリックス関数ニューラルネットワーク(MFNs)を導入する。 MFNは量子系の複雑な非局所的な相互作用を捉えることができ、新しい最先端の力場への道を歩むことができる。
  論文  参考訳（メタデータ） (2023-10-16T14:17:00Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• On the Application of Data-Driven Deep Neural Networks in Linear and Nonlinear Structural Dynamics [28.979990729816638]
  線形および非線形構造力学系のサロゲートとしてディープニューラルネットワーク(DNN)モデルを用いる。 焦点は、完全に接続された、疎結合で、畳み込みネットワーク層を使った効率的なネットワークアーキテクチャの開発である。 提案したDNNは,高調波負荷下での線形および非線形動的応答の予測に有効かつ正確なサロゲートとして利用できることを示す。
  論文  参考訳（メタデータ） (2021-11-03T13:22:19Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。