[論文レビュー] AirNN: Neural Networks with Over-the-Air Convolution via Reconfigurable Intelligent Surfaces

Sara García Sánchez, Guillem Reus Muns+7 more|arXiv (Cornell University)|Feb 7, 2022

Underwater Vehicles and Communication Systems被引用数 5

ひとこと要約

この論文では、再構成可能知的表面（RIS）を用いて、アナログドメインにおけるデジタル畳み込みを模倣する、最初のシステムであるAirNNを提案する。RISをプログラミングして、無線チャネルインパルス応答（CIR）を有限インパルス応答（FIR）フィルタに整形することにより、AirNNは変調分類で98%の精度を達成し、古典的なデジタルCNNと比較して3.2%以内の誤差に留まる。これは、アナログ的・空中での推論の実用的妥当性を示している。

ABSTRACT

Over-the-air analog computation allows offloading computation to the wireless environment through carefully constructed transmitted signals. In this paper, we design and implement the first-of-its-kind over-the-air convolution and demonstrate it for inference tasks in a convolutional neural network (CNN). We engineer the ambient wireless propagation environment through reconfigurable intelligent surfaces (RIS) to design such an architecture, which we call 'AirNN'. AirNN leverages the physics of wave reflection to represent a digital convolution, an essential part of a CNN architecture, in the analog domain. In contrast to classical communication, where the receiver must react to the channel-induced transformation, generally represented as finite impulse response (FIR) filter, AirNN proactively creates the signal reflections to emulate specific FIR filters through RIS. AirNN involves two steps: first, the weights of the neurons in the CNN are drawn from a finite set of channel impulse responses (CIR) that correspond to realizable FIR filters. Second, each CIR is engineered through RIS, and reflected signals combine at the receiver to determine the output of the convolution. This paper presents a proof-of-concept of AirNN by experimentally demonstrating over-the-air convolutions. We then validate the entire resulting CNN model accuracy via simulations for an example task of modulation classification.

研究の動機と目的

• 無線伝搬の物理層特性を活用して、CNNにおけるアナログ的・空中での畳み込みを可能にすること。
• RIS再構成によるデジタルCNNフィルタの実現可能なCIRへのマッピングの課題を克服すること。
• 実世界の無線環境におけるAirNNが、完全デジタルCNNと同等の推論精度を達成できることを検証すること。
• 信号処理タスク向けに、空中での畳み込みをフルCNNパイプラインに統合するエンドツーエンドの実現可能性を示すこと。
• 同期、チャネル変動、RISハードウェア制限などのシステムレベルの課題を、プログラマブルな無線環境で取り扱うこと。

提案手法

• 目的のFIRフィルタに対応する特定の実現可能なCIRを生成するようにRIS設定を設計すること。
• RISの反射パターンと無線伝搬特性に基づき、デジタルCNNフィルタ重みを実現可能なCIRの有限集合にマッピングすること。
• 送信機および受信機に指向性アンテナを用いて、空中での正確なビームフォーミングと信号合成を可能にすること。
• 時間変動するチャネル状態に応じて動的にRISを再構成する制御システム（AirNNOS）を実装すること。
• 波の干渉と位相制御を活用して、受信側で反射信号を合成し、デジタル畳み込み層の出力を模倣すること。
• 空中での畳み込みをフルCNNモデルに統合し、実世界のRF信号データを用いて性能を検証すること。

実験結果

リサーチクエスチョン

• RQ1 RISによる空中での畳み込みは、実用的な推論タスクにおいてデジタル畳み込みに代わる十分な精度を達成できるか？
• RQ2 ノイズや fading を含む現実的な無線チャネル環境下で、AirNNの性能は完全デジタルCNNと比べてどの程度か？
• RQ3 RISによって生じるCIRの不正確さが、CNN全体の推論精度に及ぼす影響は何か？
• RQ4 実世界の展開において、時間変動するチャネル状態やハードウェアの不完全性に対して、AirNNはどの程度頑健か？
• RQ5 プログラマブルなRISと空中での信号合成を用いたシステムは、最小限のデジタルベースラインからの逸脱でエンドツーエンドのCNN推論を達成できるか？

主な発見

• アナログとデジタル畳み込み出力間の振幅差は0.11、位相差は0.6であり、信号の模倣精度が非常に高いことを示している。
• 中程度から高いSNR条件下で、変調分類においてAirNNは98%の精度を達成し、頑健に訓練されたRQM-CNNベースラインの性能をよく再現している。
• SNR範囲6–30 dBにおいて、AirNNの全体的な精度は古典的デジタルCNN（Classic-CNN）と3.2%以内の差に留まり、実用的妥当性が強く示された。
• 低SNR値（−20 dB〜−5 dB）では、すべてのモデル（AirNNを含む）が同様に低い精度を示しており、ノイズの強い信号受信の根本的課題が浮き彫りになっている。
• CIRの不正確さを加法性白色ガウスノイズ（AWGN）としてモデル化した場合（SNR：−15 dB〜−50 dB）でも、システムは高い精度を維持している。
• AirNNは、RISを用いてデジタルCNNが学習したフィルタと一致する特定のFIRフィルタをプログラマブルに実現できることを示しており、無線媒体におけるアナログ計算の実現可能性を裏付けている。