論文の概要: Analog RF Computing for Integrated Data and AI Flows Over Wireless Networks

• arxiv url: http://arxiv.org/abs/2610.20841v1
• Date: Wed, 14 Oct 2026 19:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.040898
• Title: Analog RF Computing for Integrated Data and AI Flows Over Wireless Networks
• Title（参考訳）: 無線ネットワーク上の統合データとAIフローのためのアナログRFコンピューティング
• Abstract要約: 多くのリソース制約されたエッジデバイスは、人工知能(AI)サービスを必要とするが、ニューラルネットワーク(NN)を保存または実行するのに十分なパワーを持っていない。 アナログ無線周波数(RF)計算は、基地局(BS)にNN重みを符号化する波形を異なるクライアントに多重キャストさせることにより、この制限に対処する。 本稿では、マルチユーザマルチインプット多重出力(MU-MIMO)ダウンリンクシナリオを考察し、マルチキャストAIフローとユニキャストデータフローの統合による相対集約データレートの低減について検討する。
• 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: Many resource-constrained edge devices require artificial intelligence (AI) services but are not powerful enough to store or execute neural networks (NNs). Analog radio frequency (RF) computing addresses this limitation by letting a base station (BS) multicast a waveform encoding NN weights to different clients. Each client then multiplies the received weight-encoded waveform with its locally generated input-encoded waveform through a passive mixer in its RF frontend, thereby realizing the matrix-vector multiplications (MVMs) needed for AI inference with an extremely low power and memory requirement. This can enable telecom operators to provide AI inference services to the edge devices connected to their networks. In practice, however, this multicast AI flow must share the spectrum, power, and spatial resources with other data flows. This paper considers a multi-user multiple-input multiple-output (MU-MIMO) downlink scenario and studies the resulting relative aggregate data rate reduction from integrating the multicast AI flow with the unicast data flows. We formulate a joint beamforming problem for the data and AI flows to maximize the aggregate data rate subject to computing accuracy, client energy, total power, and hardware-related constraints. We develop a weighted minimum mean-square error (WMMSE)-based algorithm to solve the problem. Numerical results based on 3rd Generation Partnership Project (3GPP) channels show that the relative aggregate data rate reduction from integrating an AI flow with data flows is below 5% in representative settings. This indicates that telecom operators can use analog RF computing to provide edge AI services while providing data communication services simultaneously.
• Abstract（参考訳）: 多くのリソース制約のあるエッジデバイスは、人工知能(AI)サービスを必要とするが、ニューラルネットワーク(NN)の保存や実行に十分なパワーを持っていない。 アナログ無線周波数(RF)計算はこの制限に対処し、基地局(BS)がNN重みを符号化する波形を異なるクライアントにマルチキャストする。 各クライアントは、受信したウェイトエンコード波形と、その局所的に生成された入力エンコード波形を、RFフロントエンドの受動ミキサーを介して乗算し、非常に低消費電力でAI推論に必要な行列ベクトル乗算(MVM)を実現する。 これにより、通信事業者は、ネットワークに接続されたエッジデバイスにAI推論サービスを提供することができる。 しかし実際には、このマルチキャストAIフローは他のデータフローとスペクトル、パワー、空間リソースを共有する必要がある。 本稿では、マルチユーザマルチインプット多重出力(MU-MIMO)ダウンリンクシナリオを考察し、マルチキャストAIフローとユニキャストデータフローの統合による相対集約データレートの低減について検討する。 計算精度,クライアントエネルギー,トータルパワー,ハードウェア関連の制約を考慮した集約データレートを最大化するために,データとAIフローの合同ビームフォーミング問題を定式化する。 この問題を解決するために、重み付き最小平均二乗誤差(WMMSE)に基づくアルゴリズムを開発した。 第3世代パートナーシッププロジェクト(3GPP)チャンネルに基づく数値結果は、AIフローとデータフローの統合による相対集約データレートの減少が代表的設定で5%未満であることを示している。 これは、通信事業者がアナログRFコンピューティングを使用してエッジAIサービスを提供し、同時にデータ通信サービスを提供できることを示している。

関連論文リスト

• Analog RF Computing: A New Paradigm for Energy-Efficient Edge AI Over MU-MIMO Systems [19.070535032360056]
  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。
  論文  参考訳（メタデータ） (2026-05-14T03:50:27Z)
• Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
  本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。 バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-08-21T02:46:46Z)
• 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)
• CFLIT: Coexisting Federated Learning and Information Transfer [18.30671838758503]
  本研究では,モバイルエッジネットワークにおける無線放送と従来型情報伝達(IT)の共存性について検討する。 FLとITデバイスがOFDMシステムで無線スペクトルを共有するCFLIT(Commanded Learning and Information Transfer)通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T13:17:28Z)
• Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
  主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。 過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。 データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-12-07T20:15:39Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Edge Intelligence for Energy-efficient Computation Offloading and Resource Allocation in 5G Beyond [7.953533529450216]
  さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。 マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。 深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
  論文  参考訳（メタデータ） (2020-11-17T05:51:03Z)
• Scheduling Policy and Power Allocation for Federated Learning in NOMA Based MEC [21.267954799102874]
  Federated Learning(FL)は、データ分散を維持しながらモデルを集中的にトレーニングできる、高度に追求された機械学習技術である。 重み付き和データレートを最大化するために、非直交多重アクセス(NOMA)設定を用いた新しいスケジューリングポリシーと電力割当方式を提案する。 シミュレーションの結果,提案手法は,NOMAベースの無線ネットワークにおいて高いFLテスト精度を実現するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T23:07:41Z)
• 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。