[논문 리뷰] AirNN: Neural Networks with Over-the-Air Convolution via Reconfigurable Intelligent Surfaces

Sara García Sánchez, Guillem Reus Muns외 7명|arXiv (Cornell University)|2022. 02. 07.

Underwater Vehicles and Communication Systems인용 수 5

한 줄 요약

이 논문은 재구성 가능한 지능형 표 superfice(RIS)를 사용하여 디지털 컨볼루션을 아날로그 도메인에서 모방하는 방식으로, 컨volutional 신경망(CNN)에서 공중을 통해 컨볼루션을 수행하는 AirNN을 제안한다. RIS를 프로그래밍하여 무선 채널 인파르스 응답(CIR)을 유한 임펄스 응답(FIR) 필터로 형상화함으로써 AirNN는 변조 분류 과제에서 98%의 정확도를 달성하였으며, 전통적인 디지털 CNN과의 정확도 차이가 3.2% 이내로, 아날로그 공중 컨볼루션의 실용 가능성을 입증한다.

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.

연구 동기 및 목표

• 무선 전파의 물리 계층 특성을 활용하여 CNN에서 아날로그적, 공중 컨볼루션을 가능하게 하기 위해.
• RIS 재구성으로 인해 실현 가능한 CIR로 디지털 CNN 필터를 매핑하는 데 도전하는 문제를 해결하기 위해.
• 실제 무선 환경 조건에서 AirNN가 전면 디지털 CNN과 유사한 추론 정확도를 달성할 수 있음을 검증하기 위해.
• 신호 처리 과제를 위한 전체 CNN 파이프라인에 공중 컨볼루션을 통합하는 데 있어 종단 간 실현 가능성을 입증하기 위해.
• 프로그래밍 가능한 무선 환경에서 동기화, 채널 변동성, RIS 하드웨어 제약 등의 시스템 수준 과제를 다루기 위해.

제안 방법

• 디지털 CNN 컨볼루션 연산을 위한 원하는 FIR 필터에 대응하는 특정이고 실현 가능한 CIR을 생성하도록 RIS 설정을 설계한다.
• RIS 반사 패tern과 무선 전파 특성을 기반으로 디지털 CNN 필터 가중치를 유한한 실현 가능한 CIR 집합에 매핑한다.
• 송신기 및 수신기에서 방향성 안테나를 사용하여 공중에서 정밀한 비트포밍과 신호 조합을 가능하게 한다.
• 변동하는 채널 조건에 대응하기 위해 전송기 동기화 및 실시간 RIS 재구성을 위한 제어 시스템(AirNNOS)을 구현한다.
• 파동 간 간섭과 위상 제어를 활용하여 반사 신호를 수신기에서 조합함으로써 디지털 컨볼루션 레이어의 출력을 모방한다.
• 공중 컨볼루션을 전체 CNN 모델에 통합하고, 실제 무선 주파수 신호 데이터를 사용하여 성능을 검증한다.

실험 결과

연구 질문

• RQ1 RIS를 통한 공중 컨볼루션은 실질적인 추론 과제에서 디지털 컨볼루션을 대체할 수 있을 정도의 충분한 정확도를 달성할 수 있는가?
• RQ2 노이즈 및 fading을 포함한 현실적인 무선 채널 조건 하에서 AirNN의 성능은 전면 디지털 CNN과 비교해 어떻게 되는가?
• RQ3 RIS에 의해 유도된 CIR의 부정확성이 CNN의 전체 추론 정확도에 어떤 영향을 미치는가?
• RQ4 실제 구현 환경에서 시간에 따라 변하는 채널 조건과 하드웨어 불완전성에 대해 AirNN는 얼마나 내구성이 있는가?
• RQ5 프로그래밍 가능한 RIS와 공중 신호 조합을 사용하는 시스템이 디지털 기반 모델에 최소한의 편차로 종단 간 CNN 추론을 달성할 수 있는가?

주요 결과

• 아날로그 및 디지털 컨볼루션 출력 간의 루트 평균 제곱 오차(RMSE)는 크기 기준 0.11, 위상 기준 0.6으로, 신호 모방의 높은 정밀도를 나타낸다.
• 중간에서 높은 신호 대 잡음비(SNR) 조건 하에서 변조 분류 과제에서 AirNN는 98%의 정확도를 달성하였으며, 강건하게 훈련된 RQM-CNN 기준선의 성능을 거의 그대로 따르고 있다.
• SNR 범위 6–30 dB 동안 AirNN의 전체 정확도는 전통적인 디지털 CNN(Classic-CNN)와 3.2% 이내로 유사하여 강력한 실용 가능성임을 입증한다.
• -20 dB에서 -5 dB의 낮은 SNR 값에서는 모든 모델(포함해 AirNN)이 유사한 낮은 정확도를 보이며, 노이즈가 많은 신호 수신의 근본적 과제를 시사한다.
• CIR 부정확성을 가우시안 백색 잡음(AWGN)으로 모델링한 경우(SNR -15 dB에서 -50 dB)에도 불구하고 시스템은 높은 정확도를 유지한다.
• AirNN는 RIS를 사용해 디지털 CNN이 학습한 필터와 일치하는 특정 FIR 필터를 프로그래밍적으로 실현할 수 있음을 입증하였으며, 이는 무선 매체에서 아날로그 계산을 가능하게 한다.