論文の概要: Over-The-Air Extreme Learning Machines with Nonlinear Stacked Intelligent Metasurfaces

• arxiv url: http://arxiv.org/abs/2608.27137v1
• Date: Thu, 27 Aug 2026 13:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.43321
• Title: Over-The-Air Extreme Learning Machines with Nonlinear Stacked Intelligent Metasurfaces
• Title（参考訳）: 非線形重畳されたインテリジェントな準曲面をもつ超空超音速学習機
• Abstract要約: 本稿では,eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO)システムを提案する。 我々のアーキテクチャは、理想化されたデジタルモデルに匹敵する分類精度を達成し、低複雑さ、ウェーブドメインOTA学習の実現可能性を証明する。
• 参考スコア（独自算出の注目度）: 32.006222505507935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recently envisioned goal-oriented communications paradigm requires machine learning inference to be performed directly on wirelessly transferred data. This paper presents an eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO) system that operates as an Extreme Learning Machine (ELM) to execute Over-The-Air (OTA) binary classification. To reduce hardware complexity, the receiver is equipped with cascaded metasurfaces terminating in a single radio-frequency chain. A front metasurface layer applies a fixed nonlinear response to the incoming signal, acting as the ELM's activation function. Subsequent tunable linear metasurface layers physically approximate the trained network weights directly in the wave domain. Numerical evaluations across diverse datasets showcase that our XL MIMO architecture achieves classification accuracy comparable to idealized digital models, thereby proving the viability of low-complexity, wave-domain OTA learning.
• Abstract（参考訳）: 最近構想された目標指向通信パラダイムでは、無線で転送されたデータに直接機械学習の推論を行う必要がある。 本稿では,eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO)システムを提案する。 ハードウェアの複雑さを低減するため、受信機は、単一の高周波チェーンで終端するカスケードされた準曲面を備える。 前面中表面層は、ELMの活性化機能として作用する入射信号に固定された非線形応答を印加する。 その後の調整可能な線形準曲面層は、トレーニングされたネットワーク重みを直接波動領域内で物理的に近似する。 我々のXL MIMOアーキテクチャは、理想化されたデジタルモデルに匹敵する分類精度を達成し、低複雑さ、ウェーブドメインOTA学習の実現可能性を示す。

関連論文リスト

• Mesh-Native Physics-Informed Graph Surrogates for TCAD-in-the-Loop Design Space Exploration [0.5599792629509228]
  物理インフォームドグラフアテンションネットワーク(GAT)サロゲートを提案する。 四面体TCADメッシュ上で直接動作し、全てのメッシュノードにおいて、電子と準フェルミ準位と共に静電ポテンシャルを予測する。 このサロゲートは3つのドリフト拡散場をサブボルト毎のRMSEで再現し、完全なシミュレータよりも桁違いに高い設計毎のスループットのオーダーに達する。
  論文  参考訳（メタデータ） (2026-09-02T15:15:29Z)
• 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)
• Over-The-Air Extreme Learning Machines with XL Reception via Nonlinear Cascaded Metasurfaces [32.006222505507935]
  本稿では,eXtremely Large (XL) Multiple-Input/Multiple-Output (MIMO)システムを提案する。 我々は,MS要素のXL構造において,提案するXL-MIMO-ELMシステムは,多様なデータセットや無線シナリオにまたがる,ディジタルおよび理想化されたMLモデルに匹敵する性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-25T08:47:20Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Universal Approximation with XL MIMO Systems: OTA Classification via Trainable Analog Combining [34.27766974092816]
  eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO) 無線システムはユニバーサル関数近似器の特性を示す。 チャネル係数を隠れ層のランダムノードとして、受信者のアナログコンバインダをトレーニング可能な出力層として扱うことにより、XL MIMOシステムをエクストリーム学習マシン(ELM)フレームワークにキャストする。 理論的解析と数値評価により,XL-MIMO-ELMは様々な色調条件下であっても,ほぼ瞬時訓練と効率的な分類を可能にすることを示した。
  論文  参考訳（メタデータ） (2025-04-17T08:53:30Z)
• 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)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• 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)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。