論文の概要: Radio-Frequency Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2609.19279v1
• Date: Wed, 16 Sep 2026 18:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.975273
• Title: Radio-Frequency Convolutional Neural Networks
• Title（参考訳）: 高周波畳み込みニューラルネットワーク
• Abstract要約: 高周波畳み込みニューラルネットワーク(RF-CNN)の導入 RF-CNNは、無線信号と画像の分類から制御可能な画像生成まで、最大2640万のパラメータと9層のCNNを実行する。 これらの結果は、デプロイされた無線インフラが、すでに接続している何十億ものデバイスに対して、効率的で最先端のAI推論をもたらすことを示唆している。
• 参考スコア（独自算出の注目度）: 8.723034105085445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Running artificial intelligence (AI) models directly on edge devices such as smartphones, wearables, and drones offers low latency, pervasive scalability, and data privacy, but these devices rarely carry the computing capability that modern neural networks demand. Edge accelerators have been developed in response, yet each adds computing hardware to devices already constrained in size, weight, power, and cost (SWaP-C). An alternative lies in what these devices already carry: the frequency mixer in every wireless radio multiplies signals in time, natively performing convolution in the frequency domain. Here we introduce radio-frequency convolutional neural networks (RF-CNNs), which repurpose existing communication hardware for CNN inference. Multi-channel convolutions are mapped onto frequency tones for a passive mixer to execute in a single pass. We experimentally demonstrate that RF-CNN runs deep CNNs up to 26.4 million parameters and nine layers from classification of wireless signals and images to controllable image generation, close to full-precision performance. Because the weights arrive over the air and the analog hardware is shared with communication, the edge device spends energy only on data preparation and readout-down to 0.72 femtojoules per multiply-accumulate, two orders of magnitude less than it would cost on an added digital processor. These results suggest that deployed wireless infrastructure can bring efficient, state-of-the-art AI inference to the billions of devices it already connects.
• Abstract（参考訳）: スマートフォン、ウェアラブル、ドローンなどのエッジデバイス上でAI(AI)モデルを直接実行すると、レイテンシが低く、拡張性があり、データプライバシも向上する。 エッジアクセラレータはそれに対応して開発されているが、それぞれが既にサイズ、重量、電力、コストに制約のあるデバイスにコンピューティングハードウェアを追加する(SWaP-C)。 無線無線信号の周波数ミキサーは、周波数領域の畳み込みをネイティブに実行する。 本稿では、既存の通信ハードウェアをCNN推論に活用する高周波畳み込みニューラルネットワーク(RF-CNN)について紹介する。 マルチチャネル畳み込みは、受動ミキサーが単一パスで実行するために周波数トーンにマッピングされる。 RF-CNNは、無線信号や画像の分類から、フル精度の性能に近い制御可能な画像生成まで、最大2640万のパラメータと9層のCNNを実行することを実験的に実証した。 重みが空中に届き、アナログハードウェアが通信と共有されるため、エッジデバイスはデータ準備にのみエネルギーを消費し、乗算累積当たり0.72フェムトジュールまでリードアウトダウンする。 これらの結果は、デプロイされた無線インフラが、すでに接続している何十億ものデバイスに対して、効率的で最先端のAI推論をもたらすことを示唆している。

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)
• Disaggregated Deep Learning via In-Physics Computing at Radio Frequency [1.0953436973292041]
  WISEは、ディープラーニング推論におけるエネルギー制約を克服するために設計された、無線エッジネットワークのための新しいコンピューティングアーキテクチャである。 165.8 TOPS/Wの計算効率に対応して、クライアントあたり6.0 fJ/MACの超低演算パワーでWISE 95.7%の画像分類精度を示す。
  論文  参考訳（メタデータ） (2025-04-24T17:10:18Z)
• 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)
• RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
  光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。 我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。 我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
  論文  参考訳（メタデータ） (2022-07-08T16:37:13Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。