論文の概要: XL MIMO Extreme Learning Machines: Wave-Domain Inference with Stacked Metasurfaces

• arxiv url: http://arxiv.org/abs/2610.35469v1
• Date: Mon, 26 Oct 2026 14:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.020019
• Title: XL MIMO Extreme Learning Machines: Wave-Domain Inference with Stacked Metasurfaces
• Title（参考訳）: XL MIMO Extreme Learning Machines:スタック化メタ曲面を用いたウェーブ・ドメイン推論
• Abstract要約: 我々は,eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO) システムが,空気上でのみ動作する2層ニューラルネットワークとして機能することを示した。 第1の(制御不能な)ネットワーク層は無線フェージングによって提供される変換に対応し、第2の(制御不能な)ネットワーク層はSIM操作によって実装される。 特に、活性化機能として機能するためには、最初のフロントエンドMS層のみが非線形応答を示す必要がある。
• 参考スコア（独自算出の注目度）: 33.65332133734786
• 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, by splitting neural network computations between the transmitter, the Receiver (RX), and the wireless channel. Such approaches aim to offload large portions of the computation onto the channel itself, which is often controlled by reconfigurable MetaSurfaces (MSs). Typical MS-parametrized systems, however, enable only limited computation offloading in the wave domain, usually corresponding to a single neural network layer, due to adverse channel fading effects and the almost linear operation of the channel and conventional MS models. In this paper, we demonstrate that an eXtremely Large (XL) Multiple-Input Multiple-Output (MIMO) system equipped with Stacked Intelligent MSs (SIM) at the RX side, together with a single antenna and its accompanying radio-frequency chain, may act as a two-layer neural network operating exclusively over the air. The first (uncontrollable) network layer corresponds to the transformations offered by wireless fading, while the second (controllable) layer is implemented via SIM operations. In particular, only the first, front-end MS layer needs to exhibit nonlinear response to serve as an activation function. Leveraging the Extreme Learning Machine (ELM) framework, the proposed XL MIMO system architecture is shown to be a universal approximator, and the optimal linear-SIM-based combining is derived in closed form, allowing for fast training even and partial signal observability. Numerical evaluations across diverse datasets showcase that the proposed XL-MIMO-ELM framework achieves classification accuracy comparable to idealized digital models, thereby, proving the viability of low complexity, wave-domain neural computations.
• Abstract（参考訳）: 最近構想された目標指向通信パラダイムでは、送信者、受信者(RX)、無線チャネル間でニューラルネットワーク計算を分割することにより、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。 このようなアプローチは、計算の大部分をチャネル自体にオフロードすることを目的としており、しばしば再構成可能なMetaSurface(MS)によって制御される。 しかし、典型的なMSパラメタライズドシステムは、1つのニューラルネットワーク層に対応する波動領域における限られた計算オフロードしか可能としない。 本稿では、RX側でスタックドインテリジェントMS(SIM)を備えたeXtremely Large (XL) Multi-Input Multiple-Output (MIMO)システムと、それに伴う電波周波数チェーンを併用して、空気中のみで動作する2層ニューラルネットワークとして機能することを実証する。 第1の(制御不能な)ネットワーク層は無線フェージングによって提供される変換に対応し、第2の(制御不能な)ネットワーク層はSIM操作によって実装される。 特に、活性化機能として機能するためには、最初のフロントエンドMS層のみが非線形応答を示す必要がある。 Extreme Learning Machine (ELM) フレームワークを活用することで、提案したXL MIMOシステムアーキテクチャは普遍的な近似器であることが示され、最適線形SIMベースの合成はクローズド形式で導出され、高速なトレーニングと部分的な信号観測が可能となる。 XL-MIMO-ELMフレームワークは理想的なディジタルモデルに匹敵する分類精度を実現し,低複雑性,波-神経ニューラル計算の実現可能性を示す。

関連論文リスト

• Over-The-Air Extreme Learning Machines with Nonlinear Stacked Intelligent 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。
  論文  参考訳（メタデータ） (2026-08-27T13:50:00Z)
• Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions [56.870614369768354]
  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。
  論文  参考訳（メタデータ） (2026-07-20T09:45:07Z)
• 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)
• 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)
• 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)
• Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
  スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。 通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
  論文  参考訳（メタデータ） (2022-10-07T15:39:11Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• 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)

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。