論文の概要: Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions

• arxiv url: http://arxiv.org/abs/2607.18354v1
• Date: Mon, 20 Jul 2026 09:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.197132
• Title: Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions
• Title（参考訳）: 深部ニューラルネットワークとしての多層MIMO:活性化関数としてのパワーアンプ
• Abstract要約: 無線物理ニューラルネットワーク(WPNN)は、アナログハードウェアに直接ニューラルネットワークを埋め込む。 マルチホップマルチインプットマルチアウトプット(MIMO)リレーネットワークにより非線形活性化を実現する深層WPNNを提案する。 提案アーキテクチャは,画像分類の高精度なオーバー・ザ・エア推論を可能にする。
• 参考スコア（独自算出の注目度）: 56.870614369768354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless physical neural networks (WPNNs) embed neural computation directly into analog hardware, offering lower energy consumption and latency than conventional digital implementations. In this paper, we propose a deep WPNN in which nonlinear activations are realized by a multi-hop multiple-input multiple-output (MIMO) relay network, in which each relay implements a trainable complex linear gain and bias, followed by the power amplifier's intrinsic nonlinearity acting as an activation function. The cascade of multiple relays therefore realizes an over-the-air fully connected network whose parameters can be trained end-to-end. We develop two transceiver designs for different channel state information (CSI) availability scenarios: a least squares (LS)-based scheme requiring only receiver-side CSI, and a singular-value-decomposition (SVD)-based scheme requiring both transmitter-side and receiver-side CSI. Simulation results show that the proposed architecture enables accurate over-the-air inference for image classification. In particular, the results highlight the advantage of exploiting hardware nonlinearity for enhanced inference capability.
• Abstract（参考訳）: ワイヤレス物理ニューラルネットワーク(WPNN)は、アナログハードウェアに直接ニューラルネットワークを直接組み込み、従来のデジタル実装よりも低エネルギー消費とレイテンシを提供する。 本稿では,マルチホップマルチインプット・マルチアウトプット(MIMO)リレーネットワークによって非線形な活性化を実現する深層WPNNを提案し,各リレーがトレーニング可能な複雑な線形ゲインとバイアスを実装し,次にアクティベーション関数として機能するパワーアンプの固有非線形性を示す。 したがって、複数のリレーのカスケードは、パラメータをエンドツーエンドにトレーニングできる、無線で完全に接続されたネットワークを実現する。 受信側CSIのみを必要とする最小二乗(LS)方式と,送信側CSIと受信側CSIの両方を必要とする特異値分解(SVD)方式である。 シミュレーションの結果,提案アーキテクチャにより,画像分類の精度の高いオーバー・ザ・エア推定が可能であることが示唆された。 特に、ハードウェアの非線形性を活用して推論能力を向上する利点を浮き彫りにした。

関連論文リスト

• Low-power analogue neural networks with trainable nonlinear connections for continuous control [54.59241649882409]
  物理ニューラルネットワークはアナログデバイス物理を直接計算することで低消費電力の機械学習を約束する。 トレーニング可能な非線形関数を接続上に配置し、各物理接続を学習可能な計算要素とする。 その利点はタスク依存であり、物理的基盤の滑らかさから従うことが分かる。
  論文  参考訳（メタデータ） (2026-06-21T15:55:23Z)
• Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks [53.64687377045908]
  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。
  論文  参考訳（メタデータ） (2026-04-05T18:07:13Z)
• Neural Channel Knowledge Map Assisted Scheduling Optimization of Active IRSs in Multi-User Systems [12.366506331526201]
  インテリジェントリフレクション・サーフェス(IRS)は、次世代無線ネットワークにおいて大きなパフォーマンス向上をもたらす可能性がある。 IRSはハードウェアの制約により、特に重度の二重パスと複雑なマルチユーザースケジューリングといった重要な課題に直面している。 本稿では,ニューラルチャネル知識マップ(CKM)に基づく新しいスケジューリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-09T15:14:03Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• 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)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• A Robust Deep Learning-Based Beamforming Design for RIS-assisted Multiuser MISO Communications with Practical Constraints [4.727307803726522]
  RIS支援マルチユーザマルチインプットシングルアウトプットダウンリンク通信システムについて検討する。 我々は、アクティブビームフォーミングとパッシブビームフォーミングを同時に設計するディープ量子化ニューラルネットワーク(DQNN)を開発した。 提案した2つのDQNNアルゴリズムは、離散位相シフトと不完全なCSIが同時に考慮される場合に拡張する。
  論文  参考訳（メタデータ） (2021-11-12T03:53:20Z)
• End-to-End Learning for Uplink MU-SIMO Joint Transmitter and Non-Coherent Receiver Design in Fading Channels [11.182920270301304]
  JTRD-Netと呼ばれる新しいエンドツーエンド学習手法が提案され、マルチユーザシングルインプットマルチ出力(MU-SIMO)ジョイントトランスミッタとフェーディングチャネルにおける非コヒーレントレシーバー設計(JTRD)をアップリンクする。 送信側は、マルチユーザー波形設計を担当する並列線形層のグループとしてモデル化されています。 非コヒーレント受信機は、マルチユーザ検出(MUD)機能を提供するために、ディープフィードフォワードニューラルネットワーク(DFNN)によって形成される。
  論文  参考訳（メタデータ） (2021-05-04T02:47:59Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。