論文の概要: Analog RF Computing: A New Paradigm for Energy-Efficient Edge AI Over MU-MIMO Systems

• arxiv url: http://arxiv.org/abs/2605.14331v1
• Date: Thu, 14 May 2026 03:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.609996
• Title: Analog RF Computing: A New Paradigm for Energy-Efficient Edge AI Over MU-MIMO Systems
• Title（参考訳）: アナログRFコンピューティング:MU-MIMOシステム上でのエネルギー効率の良いエッジAIのための新しいパラダイム
• Authors: Wentao Yu, Vincent W. S. Wong,
• Abstract要約: アナログ無線周波数(RF)計算では、基地局はニューラルネットワークの重みを符号化し、波形を放送する。 MU-MIMO無線システムにおけるアナログRF計算のための物理層設計を提案する。 アナログRFコンピューティングは,デジタルコンピューティングと比較してクライアント側のエネルギー消費を約2桁削減できることを示す。
• 参考スコア（独自算出の注目度）: 19.070535032360056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern edge devices increasingly rely on neural networks for intelligent applications. However, conventional digital computing-based edge inference requires substantial memory and energy consumption. In analog radio frequency (RF) computing, a base station (BS) encodes the weights of the neural networks and broadcasts the RF waveforms to the clients. Each client reuses its passive mixer to multiply the received weight-encoded waveform with a locally generated input-encoded waveform. This enables wireless receivers to perform the matrix-vector multiplications (MVMs) that account for most of the computation burden in edge inference with ultra-low energy consumption. Unlike conventional downlink transmissions which are optimized for communications, analog RF computing requires a computing-centric physical layer that controls both the analog MVM accuracy and the energy consumption for inference. Motivated by this, in this paper, we propose a physical layer design framework for analog RF computing in MU-MIMO wireless systems. We derive tractable models for computing accuracy and energy consumption for inference, formulate a joint BS beamforming and client-side scaling problem subject to computing accuracy, transmit power, and hardware constraints, and develop a low-complexity algorithm to solve the non-convex problem. The proposed design provides client- and layer-specific accuracy control for both uniform- and mixed-precision inference. Simulations under 3GPP specifications show that analog RF computing can significantly reduce client-side energy consumption by nearly two orders of magnitude compared to digital computing, while mixed-precision inference requires even lower energy consumption than uniform-precision inference. Overall, these results establish analog RF computing over wireless networks as a promising paradigm for energy-efficient edge inference.
• Abstract（参考訳）: 現代のエッジデバイスは、インテリジェントなアプリケーションのためにニューラルネットワークに依存している。 しかし、従来のデジタルコンピューティングベースのエッジ推論は、かなりのメモリとエネルギー消費を必要とする。 アナログ無線周波数(RF)計算において、ベースステーション(BS)はニューラルネットワークの重みを符号化し、RF波形をクライアントにブロードキャストする。 各クライアントは受動ミキサーを再利用し、受信した重み付き波形と局所的に生成された入力型波形を乗算する。 これにより、無線受信機は、極低消費電力のエッジ推論における計算負荷の大部分を考慮に入れた行列ベクトル乗算(MVM)を実行することができる。 通信に最適化された従来のダウンリンク伝送とは異なり、アナログRFコンピューティングはアナログMVM精度と推論のエネルギー消費の両方を制御する計算中心の物理層を必要とする。 本稿では,MU-MIMO無線システムにおけるアナログRFコンピューティングのための物理層設計フレームワークを提案する。 予測のための計算精度とエネルギー消費の抽出可能なモデルを導出し,計算精度,送信電力,ハードウェア制約を考慮した共同BSビームフォーミングおよびクライアント側スケーリング問題を定式化し,非凸問題の解法として低複雑さアルゴリズムを開発した。 提案した設計は、一様および混合精度の推論に対して、クライアントおよび層固有の精度制御を提供する。 3GPP仕様下でのシミュレーションでは、アナログRFコンピューティングはデジタルコンピューティングに比べてクライアント側のエネルギー消費を2桁近く削減できるが、混合精度推論では一様精度推論よりも低エネルギー消費が要求される。 全体として、これらの結果は、エネルギー効率の良いエッジ推論のための有望なパラダイムとして、無線ネットワーク上でのアナログRFコンピューティングを確立している。

関連論文リスト

• Machine Intelligence on Wireless Edge Networks [4.593295337659598]
  エッジデバイス上のマシンインテリジェンスは、低レイテンシ処理とプライバシーの改善を可能にする。 現在のシステムは、クエリをサーバに送信することで、しばしばローカルモデルストレージを避ける。 モデルウェイトをローカルで推論を行うクライアントにブロードキャストする。
  論文  参考訳（メタデータ） (2025-06-13T20:26:30Z)
• Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing [13.5346836945515]
  本研究では,メムリスタ型アナログ計算を用いたマルチセンサ無線推論システムを提案する。 センサーの計算能力が限られているため、ネットワークのフロントエンドの機能は中央のデバイスに送信される。 また,$L_p$-normにインスパイアされた合成関数をベースとした,トレーニング可能なオーバー・ザ・エアセンサ融合手法を提案する。
  論文  参考訳（メタデータ） (2025-01-17T15:14:58Z)
• 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)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)

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。