射频卷积神经网络

摘要

arXiv:2609.19279v1 Announce Type: new Abstract: Running artificial intelligence (AI) models directly on edge devices such as smartphones, wearables, and drones offers low latency, pervasive scalabilit...

the and devices frequency that hardware already wireless edge data

2026-09-18 1 阅读约1分钟阅读 Zhihui Gao, Shi-Yuan Ma, Yiran Chen, Dirk Englund, Tingjun Chen

arXiv：2609.19279v1 公告类型：新摘要：直接在智能手机、可穿戴设备和无人机等边缘设备上运行人工智能（AI）模型可提供低延迟、普遍的可扩展性和数据隐私，但这些设备很少具备现代神经网络所需的计算能力。为此，边缘加速器应运而生，但每种加速器都在尺寸、重量、功耗和成本 (SWaP-C) 方面受到限制的设备中添加了计算硬件。另一种选择在于这些设备已经具备的功能：每个无线无线电中的混频器都会及时乘以信号，在频域中本地执行卷积。在这里，我们介绍射频卷积神经网络 (RF-CNN)，它将现有的通信硬件重新用于 CNN 推理。多通道卷积被映射到频率音调上，以便无源混频器在单通道中执行。我们通过实验证明，RF-CNN 运行多达 2640 万个参数和九层的深度 CNN，从无线信号和图像的分类到可控图像生成，接近全精度性能。由于权重通过空气到达，并且模拟硬件与通信共享，因此边缘设备仅将能量用于数据准备和读出，每次乘法累加消耗的能量低至 0.72 飞焦耳，比添加数字处理器的成本低两个数量级。这些结果表明，部署的无线基础设施可以为其已连接的数十亿台设备带来高效、最先进的人工智能推理。

订阅66必读