AirCNN via Reconfigurable Intelligent Surfaces: Architecture Design and Implementation

Die vorgestellte Arbeit stellt AirCNN vor, ein neuartiges Paradigma zur Implementierung von Convolutional Neural Networks über analoge Funkübertragung mittels rekonfigurierbarer intelligenter Oberflächen (RIS), das durch optimierte Sende- und Empfangsarchitekturen sowie die Nutzung mehrerer RISs eine effektive Emulation von CNN-Schichten und hohe Klassifizierungsleistung ermöglicht.

Das Wesentliche

Stellen Sie sich vor, Sie möchten ein kompliziertes Rezept (ein Bild) kochen, aber statt in einer Küche mit Herd und Töpfen zu arbeiten, nutzen Sie den gesamten Raum, in dem Sie sich befinden, als Ihren „Kochtopf".

Das ist im Grunde die Idee hinter dem Papier „AirCNN". Hier ist eine einfache Erklärung, wie das funktioniert, ohne technische Fachbegriffe:

1. Das Problem: Die digitale Küche ist langsam

Normalerweise verarbeitet ein Computer ein Bild (z. B. erkennt er, ob auf dem Foto eine Katze oder ein Hund ist), indem er es in Nullen und Einsen zerlegt und dann Schritt für Schritt durch einen digitalen Rechner schickt. Das kostet Zeit und Energie, wie wenn Sie jeden einzelnen Kochschritt manuell abmessen müssten.

2. Die Lösung: Der Raum als Rechner

Die Forscher schlagen vor, die Funkwellen selbst als Rechner zu nutzen. Statt die Daten digital zu verarbeiten, lassen sie sie physikalisch durch die Luft reisen.

Stellen Sie sich vor, Sie haben einen Raum voller intelligenter Spiegel (das sind die „Reconfigurable Intelligent Surfaces" oder RIS). Diese Spiegel sind nicht starr wie normale Glasflächen. Sie können sich in Echtzeit verstellen, wie ein Chor, der seine Gesangsstimme ändert.

• Der Sender wirft das Bild (als Funkwelle) in den Raum.
• Die Spiegel fangen die Welle auf und verzerren sie genau so, wie ein mathematischer Filter es tun würde. Sie „formen" die Welle um.
• Der Empfänger fängt die verformte Welle auf. Durch die Art und Weise, wie die Spiegel die Welle gebogen haben, ist das Bild am Ende bereits „berechnet" (z. B. als „Hund erkannt").

Es ist, als würden Sie einen Stein in einen Teich werfen. Die Wellen breiten sich aus und treffen auf Hindernisse. Wenn Sie die Hindernisse (die Spiegel) perfekt positionieren, können Sie die Wellen so lenken, dass sie am anderen Ende genau das Muster bilden, das Sie wollen – ohne dass ein Computer das Muster nachträglich berechnen muss.

3. Die zwei Arten, das Bild zu „kochen"

Das Papier vergleicht zwei Methoden, wie man diese Spiegel nutzt:

• Methode A (MISO – Ein Empfänger, viele Sender):
  Stellen Sie sich vor, Sie haben viele Mikros, die nacheinander singen, aber nur ein Ohr (Empfänger) hört zu. Die Spiegel müssen sich sehr schnell bewegen, um für jeden Moment das richtige Muster zu erzeugen.

  • Vorteil: Sehr präzise, wie ein Meisterkoch, der jeden Schritt perfekt kontrolliert.
  • Nachteil: Es braucht viel Zeit und viele Anpassungen der Spiegel.

• Methode B (MIMO – Viele Sender, viele Empfänger):
  Hier haben Sie viele Ohren (Empfänger) und viele Mikros. Alle singen gleichzeitig. Die Spiegel müssen sich nur einmal einstellen.

  • Vorteil: Es geht sehr schnell, wie ein großes Buffet, wo alles gleichzeitig serviert wird.
  • Nachteil: Es ist schwieriger, das perfekte Muster zu treffen, wenn die „Luft" (der Funkkanal) nicht ideal ist.

4. Was haben die Forscher herausgefunden?

Sie haben Simulationen durchgeführt, um zu sehen, welche Methode besser funktioniert, wenn man Bilder erkennt:

• Bei schlechtem Wetter (schlechter Funkempfang): Die Methode mit den vielen Anpassungen (MISO) ist oft besser, weil sie die Störungen besser ausgleichen kann.
• Bei gutem Wetter (klarer Sichtverbindung): Die schnelle Methode (MIMO) ist oft gut, aber manchmal überraschend schlechter, weil sie weniger Flexibilität hat, um Fehler zu korrigieren.
• Mehr Spiegel sind besser: Wenn man nur einen Spiegel im Raum hat, ist das Ergebnis oft mittelmäßig. Hat man aber viele Spiegel (ein ganzes Wand-Panel), funktioniert es viel besser, besonders wenn man eine direkte Sichtverbindung hat.

5. Warum ist das wichtig?

In der Zukunft (z. B. bei 6G-Netzen) wollen wir Dinge wie selbstfahrende Autos oder Roboter, die sofort reagieren müssen. Wenn wir die Rechenarbeit direkt in die Funkwellen verlagern, sparen wir:

1. Zeit: Kein Warten auf den digitalen Computer.
2. Energie: Weniger Stromverbrauch, da weniger digitale Rechenleistung nötig ist.
3. Platz: Die „Rechenleistung" ist in den intelligenten Wänden versteckt, nicht in einem schweren Prozessor.

Zusammenfassend:
Die Forscher haben einen Weg gefunden, wie Funkwellen und intelligente Spiegel zusammenarbeiten können, um Bilder zu erkennen, indem sie die Physik der Wellen nutzen, anstatt nur Software zu schreiben. Es ist, als würde man den Raum selbst zum Computer machen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „AirCNN: CNNs in the Air via Reconfigurable Intelligent Surfaces" auf Deutsch:

1. Problemstellung

Herkömmliche Convolutional Neural Networks (CNNs) führen Berechnungen digital durch, was Rechenleistung und Energieverbrauch erfordert. Das Ziel dieses Papers ist die Realisierung von CNNs als Wireless Physical Neural Networks (WPNNs). Dabei sollen die Operationen einer CNN-Schicht (insbesondere Faltungen) nicht digital, sondern durch die physikalische Ausbreitung von Funkwellen im Raum durchgeführt werden (Over-the-Air (OTA) Analog Computation).

Die Hauptherausforderung besteht darin, die diskrete mathematische Operation der Faltung (Convolution) in eine kontinuierliche physikalische Matrixmultiplikation zu überführen, die durch den Funkkanal realisiert wird. Da Faltungen nicht direkt OTA durchgeführt werden können, müssen sie in äquivalente Matrixmultiplikationen umgewandelt werden. Zudem müssen die Systemparameter (Sender, Empfänger und die Umgebung) so optimiert werden, dass sie ein gewünschtes digitales Faltungskernel nachahmen, unter Berücksichtigung von Hardwarebeschränkungen wie Sendeleistung und der Einheitsmodul-Bedingung für Phasenschieber.

2. Methodik und Systemmodell

Das vorgeschlagene Framework, AirCNN, nutzt Reconfigurable Intelligent Surfaces (RIS), um die Funkumgebung dynamisch zu programmieren.

• Grundprinzip: Ein CNN wird in drei Teile zerlegt: Anfangsschichten (digital), eine mittlere CNN-Schicht (physikalisch via OTA) und Endschichten (digital). Die mittlere Schicht wird durch Sender-Vorcodierer (Precoder), mehrere RISs und Empfänger-Kombinatoren (Combiner) ersetzt.
• Transformation der Faltung: Da OTA-Übertragung Matrixmultiplikationen natürlich unterstützt, wird die Faltungsoperation durch „Unfolding" (Entfaltung) der Eingabe- und Kernel-Matrizen in Vektoren in eine Matrixmultiplikation umgewandelt.
• Optimierungsproblem: Das Ziel ist die gemeinsame Optimierung von Sender-Vorcodierern ($F_1$), Empfänger-Kombinatoren ($F_2$) und RIS-Phasenverschiebungen ($\Theta$), um den effektiven Kanal $H$ so zu gestalten, dass er einem digitalen Kernel $\bar{W}$ entspricht. Dies wird als Minimierung des Fehlers $\|F_2 H F_1 - \bar{W}\|_F^2$ unter Leistungs- und Phasenbeschränkungen formuliert.
• Architekturen: Es werden zwei Hauptarchitekturen für zwei Arten von CNNs untersucht:
  1. Conv2d (Klassische 2D-Faltung):
     • MISO (Multiple-Input Single-Output): Nutzt Zeitmultiplex (TDMA) für die Ausgabekanäle. Jeder Zeit-Slot nutzt $C_{in}$ OFDM-Träger. Dies erfordert viele Anpassungen der RIS-Phasen und Vorcodierer, bietet aber viele Freiheitsgrade (DoFs).
     • MIMO (Multiple-Input Multiple-Output): Nutzt mehrere Empfangsantennen ($N_r = C_{out}$). Alle Ausgabekanäle werden parallel in einem einzigen Zeit-Slot empfangen. Dies reduziert den Signalisierungs-Overhead erheblich, bietet aber weniger DoFs für die Emulation.
  2. ConvSD (Depthwise Separable Convolution):
     • Zerlegt die Faltung in eine Depthwise-Schicht (Filter pro Eingabekanal) und eine Pointwise-Schicht (1x1-Faltung zur Kombination).
     • Auch hier werden MISO- und MIMO-Varianten entwickelt, die unterschiedliche Strategien für die Trennung der Kanäle und die Kombination der Ergebnisse nutzen.

3. Wichtige Beiträge

• Neues Paradigma: Einführung von AirCNN als Framework zur Implementierung von 2D-CNNs über OTA-Analogberechnung unter Nutzung von RIS.
• Dual-Architektur-Ansatz: Entwicklung und detaillierte Analyse von MISO- und MIMO-Architekturen für sowohl klassische Conv2d als auch effiziente Depthwise Separable Convolutions (ConvSD).
• Gemeinsame Optimierung: Formulierung eines End-to-End-Lernproblems, bei dem digitale Netzwerkgewichte und physikalische Kanalparameter (Precoder, Combiner, RIS) gemeinsam trainiert werden, um die Klassifizierungsgenauigkeit zu maximieren.
• Trade-off-Analyse: Eine umfassende Gegenüberstellung von MISO und MIMO hinsichtlich Leistung (Genauigkeit) und Kommunikations-Overhead (Anzahl der Zeit-Slots, RIS-Anpassungen, OFDM-Träger).
• Erweiterung auf Multi-RIS: Untersuchung des Einsatzes mehrerer RISs, um die Leistung in Umgebungen mit direkter Sichtverbindung (Line-of-Sight, LoS) zu verbessern.

4. Ergebnisse (Simulationen)

Die Ergebnisse basieren auf dem Fashion-MNIST-Datensatz unter Rician-Fading-Kanälen.

• Leistung vs. Overhead:
  • Conv2d: Die MISO-Architektur übertrifft die MIMO-Architektur konsistent in der Klassifizierungsgenauigkeit. Der Grund liegt in den deutlich höheren Freiheitsgraden (DoFs), die durch die vielen Anpassungen von Vorcodierern und RIS-Phasen in den verschiedenen Zeit-Slots entstehen.
  • ConvSD: Hier ist das Ergebnis kontextabhängig. Bei schlechten Kanalbedingungen (niedrige Sendeleistung oder niedriger Rician-Faktor $K$) ist MISO besser. Bei hohen Sendeleistungen oder guten Kanälen (hoher $K$) übertrifft MIMO MISO, da der Overhead der MISO-Strategie hier nicht mehr durch die zusätzliche Genauigkeit gerechtfertigt ist.
• Einfluss der RIS-Anzahl: Der Einsatz mehrerer RISs ($L > 1$) verbessert die Leistung signifikant im Vergleich zu einem einzelnen RIS, insbesondere in LoS-dominierten Umgebungen, da dies den effektiven Kanalrang und die verfügbaren DoFs erhöht.
• Rician-Faktor ($K$): Bei zu hohen $K$-Werten (stark LoS-dominiert) kann die Genauigkeit bei MIMO mit einem RIS wieder sinken, da der Kanalrang gegen 1 fällt und die DoFs für die Nachbildung komplexer Kernel verloren gehen. Mehrere RISs mildern dieses Problem.
• Vergleich Conv2d vs. ConvSD: Klassische Conv2d-Schemen erzielen generell höhere Genauigkeit als die vereinfachten ConvSD-Schemen, da letztere weniger Feature-Extraktionsfähigkeit besitzen.

5. Bedeutung und Fazit

Das Paper demonstriert, dass es möglich ist, CNNs nicht nur als Software, sondern als physikalische Eigenschaft des Funkkanals zu implementieren. Dies hat weitreichende Implikationen für 6G-Netze:

• Latenzreduktion: Da die Berechnung durch die Signalpropagation selbst erfolgt, entfällt die sequentielle digitale Multiplikation-Akkumulation (MAC), was die Inferenzzeit drastisch senken könnte.
• Energieeffizienz: Die Verschiebung der Rechenlast von digitalen Prozessoren auf passive RISs und analoge Signalverarbeitung kann den Energieverbrauch senken.
• Co-Design: Es zeigt die Notwendigkeit eines engen Zusammenspiels von Kommunikation (PHY-Layer) und künstlicher Intelligenz (ML), um die Funkumgebung als Teil des neuronalen Netzwerks zu nutzen.

Zusammenfassend bietet AirCNN einen vielversprechenden Weg, um rechenintensive KI-Aufgaben direkt in der drahtlosen Übertragungsschicht zu lösen, wobei die Wahl der Architektur (MISO vs. MIMO) stark von den Kanalbedingungen und den Anforderungen an den Overhead abhängt.