مقاله محاسبات آنالوگ فرکانس رادیویی: پارادایم نوین برای هوش مصنوعی کم‌مصرف لبه بر روی سیستم‌های MU-MIMO.

دستگاه‌های لبه مدرن به طور فزاینده‌ای برای کاربردهای هوشمند به شبکه‌های عصبی متکی هستند. با این حال، استنتاج در لبه مبتنی بر محاسبات دیجیتال سنتی نیازمند حافظه و مصرف انرژی قابل توجهی است. در محاسبات فرکانس رادیویی (RF) آنالوگ، یک ایستگاه پایه (BS) وزن‌های شبکه‌های عصبی را کدگذاری کرده و امواج RF را به کلاینت‌ها پخش می‌کند. هر کلاینت میکسر پسیو خود را برای ضرب موج کدگذاری شده با وزن دریافتی با یک موج کدگذاری شده ورودی که به صورت محلی تولید شده است، مجدداً استفاده می‌کند. این امر به گیرنده‌های بی‌سیم اجازه می‌دهد تا ضرب ماتریس-بردار (MVM) را انجام دهند که بخش عمده‌ای از بار محاسباتی در استنتاج لبه را با مصرف انرژی فوق‌العاده کم به خود اختصاص می‌دهد. برخلاف انتقال‌های معمول از بالا به پایین (downlink) که برای ارتباطات بهینه شده‌اند، محاسبات RF آنالوگ نیازمند یک لایه فیزیکی با تمرکز بر محاسبات است که هم دقت MVM آنالوگ و هم مصرف انرژی برای استنتاج را کنترل می‌کند. با الهام از این موضوع، در این مقاله، چارچوبی برای طراحی لایه فیزیکی برای محاسبات RF آنالوگ در سیستم‌های بی‌سیم MU-MIMO پیشنهاد می‌کنیم. ما مدل‌های قابل مدیریت برای دقت محاسبات و مصرف انرژی برای استنتاج را استخراج کرده، مسئله بهینه‌سازی مشترک شکل‌دهی پرتو BS و مقیاس‌بندی سمت کلاینت را تحت محدودیت‌های دقت محاسبات، توان انتقال و سخت‌افزار فرمول‌بندی می‌کنیم، و الگوریتمی با پیچیدگی پایین برای حل مسئله غیرمحدب توسعه می‌دهیم. طراحی پیشنهادی، کنترل دقت مخصوص کلاینت و لایه را برای استنتاج با دقت یکنواخت و مختلط فراهم می‌کند. شبیه‌سازی‌ها تحت مشخصات 3GPP نشان می‌دهند که محاسبات RF آنالوگ می‌تواند مصرف انرژی سمت کلاینت را به طور قابل توجهی، تقریباً دو مرتبه بزرگی، در مقایسه با محاسبات دیجیتال کاهش دهد، در حالی که استنتاج با دقت مختلط نیازمند مصرف انرژی کمتری نسبت به استنتاج با دقت یکنواخت است. در مجموع، این نتایج، محاسبات RF آنالوگ را از طریق شبکه‌های بی‌سیم به عنوان یک پارادایم امیدوارکننده برای استنتاج لبه با بهره‌وری انرژی معرفی می‌کنند.

Modern edge devices increasingly rely on neural networks for intelligent applications. However, conventional digital computing-based edge inference requires substantial memory and energy consumption. In analog radio frequency (RF) computing, a base station (BS) encodes the weights of the neural networks and broadcasts the RF waveforms to the clients. Each client reuses its passive mixer to multiply the received weight-encoded waveform with a locally generated input-encoded waveform. This enables wireless receivers to perform the matrix-vector multiplications (MVMs) that account for most of the computation burden in edge inference with ultra-low energy consumption. Unlike conventional downlink transmissions which are optimized for communications, analog RF computing requires a computing-centric physical layer that controls both the analog MVM accuracy and the energy consumption for inference. Motivated by this, in this paper, we propose a physical layer design framework for analog RF computing in MU-MIMO wireless systems. We derive tractable models for computing accuracy and energy consumption for inference, formulate a joint BS beamforming and client-side scaling problem subject to computing accuracy, transmit power, and hardware constraints, and develop a low-complexity algorithm to solve the non-convex problem. The proposed design provides client- and layer-specific accuracy control for both uniform- and mixed-precision inference. Simulations under 3GPP specifications show that analog RF computing can significantly reduce client-side energy consumption by nearly two orders of magnitude compared to digital computing, while mixed-precision inference requires even lower energy consumption than uniform-precision inference. Overall, these results establish analog RF computing over wireless networks as a promising paradigm for energy-efficient edge inference.