[论文解读] 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 5

一句话总结

该论文提出AirNN，首个利用可重构智能表面（RIS）在模拟域中模拟数字卷积的系统，实现无线信道中的过空气卷积。通过编程RIS将无线信道冲击响应（CIR）整形为有限冲激响应（FIR）滤波器，AirNN在调制分类任务中实现了98%的准确率，仅比经典数字CNN低3.2%，证明了模拟域过空气推理的实际可行性。

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.

研究动机与目标

• 通过利用无线传播的物理层特性，实现在CNN中的模拟域过空气卷积。
• 克服通过RIS重配置将数字CNN滤波器映射到可实现CIR的挑战。
• 验证AirNN在真实无线环境条件下，能够实现与全数字CNN相当的推理准确率。
• 展示将过空气卷积集成到完整CNN流水线以完成信号处理任务的端到端可行性。
• 解决在可编程无线环境中，同步、信道变化及RIS硬件限制等系统级挑战。

提出的方法

• 设计RIS配置，生成特定且可实现的CIR，使其对应于所需FIR滤波器，以实现CNN卷积操作。
• 基于RIS反射模式和无线传播特性，将数字CNN滤波器权重映射到一组可行的CIR。
• 在发射端和接收端使用定向天线，以实现过空气中的精确波束成形和信号合并。
• 实现一个控制系统（AirNNOS），以同步发射机并动态重配置RIS，适应时变信道条件。
• 在接收端合并反射信号，利用波的干涉和相位控制，模拟数字卷积层的输出。
• 将过空气卷积集成到完整CNN模型中，并使用真实无线信号数据验证性能。

实验结果

研究问题

• RQ1 通过RIS实现的过空气卷积是否能达到足够准确率，以在实际推理任务中替代数字卷积？
• RQ2 在包含噪声和衰落的真实无线信道条件下，AirNN的性能与全数字CNN相比如何？
• RQ3 RIS引起的CIR不准确性对CNN整体推理准确率有何影响？
• RQ4 在真实部署中，AirNN对时变信道条件和硬件非理想性有多强的鲁棒性？
• RQ5 使用可编程RIS和过空气信号合并的系统能否实现与数字基线偏差极小的端到端CNN推理？

主要发现

• AirNN在模拟与数字卷积输出之间，幅度的均方根误差（RMSE）为0.11，相位误差为0.6，表明信号模拟具有高保真度。
• 在中高信噪比条件下，AirNN在调制分类任务中达到98%的准确率，与鲁棒训练的RQM-CNN基线性能高度接近。
• 在6–30 dB的信噪比范围内，AirNN的整体准确率与经典数字CNN（Classic-CNN）相差仅3.2%，证明其具有强大的实际可行性。
• 在低信噪比（−20 dB至−5 dB）条件下，所有模型（包括AirNN）的准确率均较低，表明噪声信号接收的根本挑战。
• 即使在CIR不准确性被建模为信噪比从−15 dB至−50 dB的加性白高斯噪声（AWGN）时，系统仍保持高准确率。
• AirNN证明了RIS可用于可编程地实现特定FIR滤波器，使其匹配数字CNN学习到的滤波器，从而实现在无线介质中的模拟计算。