🔢 mathematics

AirCNN via Reconfigurable Intelligent Surfaces: Architecture Design and Implementation

यह शोध पत्र AirCNN प्रस्तुत करता है, जो एक नया प्रतिमान (पैराडाइम) है जो ओवर-द-एयर एनालॉग कन्वल्यूशन ऑपरेशन्स को निष्पादित करने के लिए रीकॉन्फ़िगर करने योग्य इंटेलिजेंट सर्फेस (RISs) का लाभ उठाता है, और संयुक्त अनुकूलन एवं सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि मल्टी-RIS MISO आर्किटेक्चर उच्च वर्गीकरण प्रदर्शन के साथ मानक और डेप्थवाइज़ सेपरेबल CNN परतों दोनों का प्रभावी ढंग से अनुकरण करते हैं।

मूल लेखक: Meng Hua, Haotian Wu, Deniz Gündüz

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Meng Hua, Haotian Wu, Deniz Gündüz

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट एआई ब्रेन (एक कन्वेल्शनल न्यूरल नेटवर्क, या CNN) है, जिसे किसी तस्वीर को देखकर यह बताना है कि वह बिल्ली है, कुत्ता है या कार। आमतौर पर, यह दिमाग एक कंप्यूटर चिप के अंदर रहता है, जो एक डिजिटल फैक्ट्री की तरह एक-एक करके नंबरों को प्रोसेस करता है।

यह पेपर एक बहुत ही अनोखा विचार पेश करता है जिसे AirCNN कहा जाता है। कंप्यूटर चिप के अंदर गणित करने के बजाय, लेखक चाहते हैं कि यह गणित हवा में रेडियो तरंगों और विशेष दर्पणों (mirrors) का उपयोग करके किया जाए।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "डिजिटल फैक्ट्री" बनाम "हवा का हाईवे"

पुराना तरीका (डिजिटल): कल्पना कीजिए कि एक फैक्ट्री है जहाँ कर्मचारी (ट्रांजिस्टर) कच्चे माल (एक छवि) को मापते हैं, उसे काटते हैं और फिर उसे स्टेप-बाय-स्टेप जोड़ते हैं। यह सटीक है, लेकिन इसमें समय और ऊर्जा लगती है।
नया तरीका (AirCNN): कल्पना कीजिए कि आप मिट्टी के एक ब्लॉक को आकार देना चाहते हैं। इसे औजारों से तराशने के बजाय, आप इसे एक विंड टनल (wind tunnel) में फेंक देते हैं। यदि आप विंड टनल और पंखों को सही ढंग से व्यवस्थित करते हैं, तो हवा खुद उस मिट्टी को उड़ते समय एक आदर्श रूप देने के लिए आकार देती है।
- AirCNN में, "मिट्टी" डेटा (छवि) है।
- "हवा" रेडियो सिग्नल है।
- "पंखे" रीकॉन्फ़िगरेबल इंटेलिजेंट सर्फेस (RIS) हैं।

2. जादुई उपकरण: रीकॉन्फ़िगरेबल इंटेलिजेंट सर्फेस (RIS)

एक RIS को एक स्मार्ट, प्रोग्रामेबल दर्पण दीवार के रूप में सोचें।

एक सामान्य दर्पण केवल प्रकाश को परावर्तित (reflect) करता है।
एक RIS हजारों छोटे, स्वतंत्र दर्पणों (जैसे स्क्रीन पर पिक्सेल) से बनी एक दीवार की तरह है जो तुरंत अपना कोण बदल सकती है।
इन छोटे दर्पणों को झुकाकर, RIS रेडियो तरंगों को ठीक उसी तरह मोड़, केंद्रित या बिखेर सकता है जैसा हम चाहते हैं। यह ट्रांसमीटर और रिसीवर के बीच के खाली स्थान को एक "प्रोग्राम करने योग्य कमरे" में बदल देता है।

3. हवा में गणित कैसे होता है

एक सामान्य कंप्यूटर में, "कन्वल्यूशन" (इमेज रिकग्निशन का मुख्य गणित) एक छवि के ऊपर स्टेंसिल स्लाइड करने और नंबरों को गुणा करने जैसा है।

ट्रिक: लेखकों ने महसूस किया कि रेडियो तरंगें स्वाभाविक रूप से आपस में जुड़ जाती हैं। यदि आप एक ही समय में दो रेडियो सिग्नल भेजते हैं, तो वे हवा में आपस में मिल जाते हैं।
सेटअप:
1. ट्रांसमीटर (Transmitter): इमेज डेटा को रेडियो तरंगों के रूप में भेजता है।
2. RIS (दर्पण की दीवार): लहरों को विकृत (distort) करने के लिए अपने छोटे दर्पणों को झुकाता है। यह विकृति वास्तव में "गणित" है जो किया जा रहा है। यह बिल्कुल वैसा ही है जैसे हवा मिट्टी को आकार देती है।
3. रिसीवर (Receiver): तरंगों को पकड़ता है। क्योंकि तरंगों को दर्पणों द्वारा आकार दिया गया था, इसलिए रिसीवर को भारी गणित करने की आवश्यकता नहीं है; उत्तर पहले से ही सिग्नल में "पका हुआ" (baked) है।

4. "एयर फैक्ट्री" बनाने के दो तरीके

यह पेपर इस सिस्टम को सेटअप करने के दो अलग-अलग तरीकों का परीक्षण करता है, जैसे कि एक सिंगल-लेन रोड और एक मल्टी-लेन हाईवे के बीच चयन करना:

MISO (मल्टीपल इनपुट, सिंगल आउटपुट):
- उपमा: एक सिंगल-लेन सड़क जहाँ कारें (डेटा) बारी-बारी से गुजरती हैं।
- यह कैसे काम करता है: ट्रांसमीटर डेटा को टुकड़ों में भेजता है। RIS हर एक टुकड़े के लिए अपने दर्पणों के कोण बदलता है ताकि गणित किया जा सके।
- फायदे: यह बहुत लचीला है और बहुत सटीकता से जटिल गणित कर सकता है।
- नुकसान: इसमें अधिक समय लगता है क्योंकि सब कुछ एक समय में एक स्टेप करके होता है।
MIMO (मल्टीपल इनपुट, मल्टीपल आउटपुट):
- उपमा: एक मल्टी-लेन हाईवे जहाँ कई कारें एक साथ अगल-बगल चलती हैं।
- यह कैसे काम करता है: ट्रांसमीटर में कई एंटेना होते हैं और रिसीवर में भी कई एंटेना होते हैं। वे सारा डेटा एक साथ भेजते हैं। RIS पूरे बैच के लिए एक बार अपने दर्पणों को सेट करता है।
- फायदे: यह बहुत तेज़ है (लो लेटेंसी)।
- नुकसान: इसमें गणित को एकदम सटीक बनाना कठिन है, खासकर यदि सिग्नल कमजोर हो या कमरा "गूँजने वाला" (echoey) हो।

5. परिणाम: उन्होंने क्या पाया?

लेखकों ने यह देखने के लिए सिमुलेशन (कंप्यूटर टेस्ट) चलाए कि उनका "एयर ब्रेन" छवियों (जैसे फैशन MNIST डेटासेट में कपड़ों की पहचान करना) को कितनी अच्छी तरह पहचान सकता है।

यह काम करता है! सिस्टम सामान्य कंप्यूटर की तरह ही लगभग उतनी ही अच्छी तरह से छवियों को पहचान सकता है, लेकिन यह भारी काम डिजिटल चिप्स के बजाय भौतिकी (physics) का उपयोग करके करता है।
"दर्पण की दीवार" मायने रखती है: केवल एक के बजाय कई RIS दीवारों (कई दर्पणों) का उपयोग करना बहुत बेहतर है। यह कई मूर्तिकारों की एक टीम होने जैसा है; वे सिग्नल को बहुत अधिक सटीकता से आकार दे सकते हैं।
"साफ हवा" की समस्या: यदि हवा बहुत साफ है (कोई बाधा नहीं, सीधा रास्ता), तो सिस्टम वास्तव में थोड़ा संघर्ष करता है। इसे थोड़ा "अराजकता" (प्रतिबिंब/reflections) की आवश्यकता होती ताकि तरंगों को आकार देने के लिए पर्याप्त स्वतंत्रता मिल सके।
पावर बनाम स्पीड: जब सिग्नल कमजोर होता है, तो "सिंगल लेन" (MISO) दृष्टिकोण बेहतर होता है। जब सिग्नल मजबूत होता है, तो "मल्टी-लेन" (MIMO) दृष्टिकोण अधिक तेज़ और कुशल होता है।

बड़ी तस्वीर (The Big Picture)

यह पेपर एक ऐसे भविष्य का प्रस्ताव करता है जहाँ वातावरण ही एक कंप्यूटर है। डेटा को सर्वर तक भेजने और वहां से प्रोसेस करने के बजाय, हम डेटा को प्रोसेस करते हैं जबकि वह हवा के माध्यम से यात्रा कर रहा होता है।

इससे निम्नलिखित लाभ हो सकते हैं:

तेज़ AI: डेटा के सर्वर तक जाने और वापस आने का इंतज़ार करने की ज़रूरत नहीं।
कम ऊर्जा: डिजिटल चिप्स के लिए कम बिजली की आवश्यकता क्योंकि हवा की भौतिकी काम करती है।
6G नेटवर्क: यह अगली पीढ़ी के वायरलेस इंटरनेट के लिए एक प्रमुख तकनीक है, जहाँ नेटवर्क केवल डेटा ले जाता नहीं है, बल्कि उसके साथ कंप्यूट भी करता है।

संक्षेप में: AirCNN हवा की लहरों को एक विशाल, अदृश्य कैलकुलेटर में बदल देता है।

यहाँ शोध पत्र "CNNs in the Air via Reconfigurable Intelligent Surfaces" (AirCNN) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विलंबता (latency) और ऊर्जा खपत को कम करने के लिए वायरलेस फिजिकल लेयर के भीतर सीधे कनवल्शनल न्यूरल नेटवर्क (CNNs) को लागू करने की चुनौती को संबोधित करता है। पारंपरिक CNN डिजिटल मल्टीप्लाई-एक्युमुलेट (MAC) ऑपरेशन्स पर निर्भर करते हैं, जो गणनात्मक रूप से गहन होते हैं।

मुख्य चुनौती: कनवल्शन ऑपरेशन्स को ओवर-द-एयर (OTA) के माध्यम से सीधे नहीं किया जा सकता क्योंकि वायरलेस चैनल स्वाभाविक रूप से मैट्रिक्स गुणन (matrix multiplication) करते हैं, कनवल्शन नहीं।
लक्ष्य: एनालॉग सिग्नल प्रोपेगेशन के माध्यम से एक CNN लेयर (विशेष रूप से 2D कनवल्शन) के गणितीय संचालन को इम्युलेट (emulate) करने के लिए रीकॉन्फ़िगरेबल इंटेलिजेंट सर्फेस (RIS) का उपयोग करके वायरलेस प्रोपेगेशन वातावरण को इंजीनियर करना, जिससे एक "वायरलेस फिजिकल न्यूरल नेटवर्क" (WPNN) बनाया जा सके।
विशिष्ट बाधाएं: ट्रांसमिटर प्रीकोडर, रिसीवर कॉम्बाइनर और RIS फेज शिफ्ट्स के संयुक्त अनुकूलन (joint optimization) के साथ मल्टी-चैनल कनवल्शनल कर्नेल को भौतिक रूपांतरणों पर मैप करना, जबकि हार्डवेयर बाधाओं (जैसे, यूनिट-मॉड्यूलस फेज शिफ्ट, पावर बजट) का पालन करना आवश्यक है।

2. कार्यप्रणाली (Methodology)

लेखक AirCNN का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जो कनवल्शनल ऑपरेशन्स को समकक्ष मैट्रिक्स गुणन में बदल देता है जिसे OTA ट्रांसमिशन के माध्यम से साकार किया जा सकता है।

A. गणितीय रूपांतरण (Mathematical Transformation)

कनवल्शन से गुणन (Convolution to Multiplication): शोध पत्र प्रदर्शित करता है कि एक 2D कनवल्शन ऑपरेशन ( $Y = X * W$ ) को इनपुट इमेज और कर्नेल मैट्रिसेस (टोप्लिट्ज़-जैसी संरचना) को पुनर्व्यवस्थित करके एक मैट्रिक्स गुणन ( $Y = \bar{W} \bar{X}$ ) में गणितीय रूप से अनफोल्ड किया जा सकता है।
OTA प्राप्ति (OTA Realization): चूंकि OTA ट्रांसमिशन स्वाभाविक रूप से मैट्रिक्स गुणन ($Y = HX $) करता है, इसलिए सिस्टम को इस तरह डिज़ाइन किया गया है कि प्रभावी एंड-टू-एंड चैनल मैट्रिक्स ($ H $), अनफोल्डेड कनवल्शन कर्नेल ($ \bar{W}$) का अनुकरण (emulate) करे।

B. सिस्टम आर्किटेक्चर (System Architecture)

फ्रेमवर्क में $N_t$ एंटेना वाला एक ट्रांसमिटर, $N_r$ एंटेना वाला एक रिसीवर और $L$ RIS का उपयोग किया जाता है, जिनमें से प्रत्येक में $M/L$ रिफ्लेक्टिंग एलिमेंट्स होते हैं। प्रभावी चैनल को $H = \sum_{l=1}^L \hat{H}_l \Theta_l \bar{H}_l$ के रूप में मॉडल किया गया है, जहाँ $\Theta_l$ $l$ -वें RIS का फेज-शिफ्ट मैट्रिक्स है।

लेखक दो प्रकार के CNN लेयर्स के लिए दो कार्यान्वयन प्रतिमान (realization paradigms) प्रस्तावित करते हैं:

क्लासिक 2D कनवल्शन (Conv2d)
डेप्थवाइज़ सेपरेबल कनवल्शन (ConvSD) (लाइटवेट)

दोनों प्रकारों के लिए, वे MISO (मल्टीपल-इनपुट सिंगल-आउटपुट) और MIMO (मल्टीपल-इनपुट मल्टीपल-आउटपुट) ट्रांसमिशन रणनीतियों को डिज़ाइन करते हैं:

Conv2d MISO:
- आउटपुट चैनल्स को क्रमिक रूप से संभालने के लिए टाइम-डिवीजन मल्टीपल एक्सेस (TDMA) का उपयोग करता है।
- इनपुट चैनल्स को प्रसारित करने के लिए $C_{in}$ OFDM कैरियर का एक साथ उपयोग करता है।
- सभी कर्नेल्स को इम्युलेट करने के लिए $C_{in} \times C_{out}$ टाइम स्लॉट्स (या प्रीकोडर समायोजन) की आवश्यकता होती है।
- ट्रेड-ऑफ: इम्यूलेशन के लिए उच्च डिग्री ऑफ फ्रीडम (DoFs) लेकिन उच्च सिग्नलिंग ओवरहेड (अधिक टाइम स्लॉट्स)।
Conv2d MIMO:
- एकल टाइम स्लॉट में सभी आउटपुट चैनल्स को कैप्चर करने के लिए $C_{out}$ रिसीव एंटेना का उपयोग करता है।
- केवल एक RIS समायोजन और एक सेट प्रीकोडर/कॉम्बाइनर की आवश्यकता होती है।
- ट्रेड-ऑफ: कम ओवरहेड लेकिन कर्नेल इम्यूलेशन के लिए कम DoFs।
ConvSD रणनीतियाँ:
- डेप्थवाइज़ कनवल्शन: इसे RIS/प्रीकोडर/कॉम्बाइनर डिज़ाइन के माध्यम से संभाला जाता है।
- पॉइंटवाइज़ कनवल्शन: इसे रिसीवर पर डिजिटल प्रोसेसिंग (चैनल्स का लीनियर कॉम्बिनेशन) द्वारा संभाला जाता है।
- MISO बनाम MIMO: समान ट्रेड-ऑफ लागू होते हैं, लेकिन डेप्थवाइज़ और पॉइंटवाइज़ चरणों के कारण ओवरहेड संरचना भिन्न होती है।

C. अनुकूलन (Optimization)

सिस्टम पैरामीटर्स (प्रीकोडर $F_1$ , कॉम्बाइनर $F_2$ , और RIS फेजेस $\Theta$ ) को पावर और यूनिट-मॉड्यूलस बाधाओं के अधीन, प्रभावी चैनल और लक्षित डिजिटल कर्नेल के बीच फ्रोबेनियस नॉर्म एरर (Frobenius norm error) को कम करने के लिए संयुक्त रूप से अनुकूलित किया जाता है। पूरे सिस्टम को इमेज क्लासिफिकेशन के लिए एक मानक क्रॉस-एन्ट्रॉपी लॉस फंक्शन का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है।

3. मुख्य योगदान (Key Contributions)

AirCNN फ्रेमवर्क: RIS का उपयोग करके पूरी तरह से एनालॉग OTA कंप्यूटेशन के माध्यम से 2D CNNs को साकार करने के लिए एक नया प्रतिमान, जो मिडिल लेयर में डिजिटल MAC ऑपरेशन्स की आवश्यकता को समाप्त करता है।
दोहरी-आर्किटेक्चर डिज़ाइन: Conv2d और ConvSD को साकार करने के लिए दोनों MISO और MIMO आर्किटेक्चर का प्रस्ताव और विश्लेषण, जो उनके प्रदर्शन बनाम संचार ओवरहेड का व्यापक तुलना प्रदान करता है।
संयुक्त अनुकूलन: व्यावहारिक बाधाओं (पावर, यूनिट मोडुलस) के तहत ट्रांससीवर डिज़ाइन और RIS फेज शिफ्ट्स के लिए एक संयुक्त अनुकूलन एल्गोरिदम विकसित किया गया है।
लाइटवेट CNNs तक विस्तार: डेप्थवाइज़ और पॉइंटवाइज़ चरणों के लिए आवश्यक विशिष्ट ट्रांसमिशन रणनीतियों को संबोधित करते हुए, फ्रेमवर्क को डेप्थवाइज़ सेपरेबल कनवल्शंस (ConvSD) तक विस्तारित किया गया है।
Multi-RIS विश्लेषण: चैनल रैंक और डिग्री ऑफ फ्रीडम को बढ़ाने के लिए, विशेष रूप से लाइन-ऑफ-साइट (LoS) वातावरण में, कई RIS तैनात करने के लाभों को प्रदर्शित करता है।

4. संख्यात्मक परिणाम (Numerical Results)

सिमुलेशन Fashion MNIST डेटासेट और रिसियन फेडिंग चैनल मॉडल (Rician fading channel model) का उपयोग करके किए गए थे।

पावर बनाम प्रदर्शन: ट्रांसमिट पावर ( $P_{max}$ ) के साथ वर्गीकरण सटीकता (classification accuracy) बढ़ती है। Conv2d-आधारित स्कीम्स आमतौर पर मजबूत फीचर एक्सट्रैक्शन क्षमताओं के कारण ConvSD से बेहतर प्रदर्शन करती हैं।
MISO बनाम MIMO (Conv2d): विभिन्न सेटिंग्स में Conv2d MISO लगातार Conv2d MIMO से बेहतर प्रदर्शन करता है। यह MISO स्कीम की जटिल कर्नेल्स को सटीक रूप से इम्युलेट करने के लिए अधिक डिग्री ऑफ फ्रीडम (कई टाइम स्लॉट्स/प्रीकोडर समायोजन के माध्यम से) का उपयोग करने की क्षमता के कारण है।
MISO बनाम MIMO (ConvSD): प्रदर्शन चैनल स्थितियों पर निर्भर करता है। MISO केवल खराब चैनल स्थितियों (कम पावर या कम रिसियन फैक्टर $K$ ) के तहत बेहतर होता है। उच्च पावर या मजबूत LoS स्थितियों के तहत, कम ओवरहेड और कुशल संसाधन उपयोग के कारण MIMO बेहतर या तुलनीय प्रदर्शन करता है।
RIS एलिमेंट्स ( $M$ ) का प्रभाव: रिफ्लेक्टिंग एलिमेंट्स की संख्या बढ़ाने से सटीकता में काफी सुधार होता है क्योंकि यह अधिक DoFs और बीमफॉर्मिंग गेन प्रदान करता है।
रिसियन फैक्टर ( $K$ ) का प्रभाव:
- Single-RIS सेटअप में, सटीकता शुरू में $K$ (बेहतर चैनल गेन) के साथ बढ़ती है, लेकिन जब $K$ बहुत अधिक (मजबूत LoS) होता है, तो अंततः घट जाती है। ऐसा इसलिए है क्योंकि एक मजबूत LoS घटक चैनल रैंक को कम कर देता है, जिससे न्यूरल नेटवर्क इम्यूलेशन के लिए उपलब्ध DoFs सीमित हो जाते हैं।
- Multi-RIS सेटअप इस समस्या को कम करता है, प्रभावी चैनल रैंक को बढ़ाकर विविध प्रोपेगेशन वातावरणों में भी मजबूत प्रदर्शन बनाए रखता है।

5. महत्व (Significance)

विलंबता में कमी (Latency Reduction): कंप्यूटेशन को डिजिटल डोमेन से फिजिकल लेयर में स्थानांतरित करके, AirCNN क्रमिक MAC ऑपरेशन्स को समाप्त करता है, जो 6G अनुप्रयोगों के लिए अल्ट्रा-लो लेटेंसी इन्फरेंस को सक्षम कर सकता है।
ऊर्जा दक्षता (Energy Efficiency): RIS के माध्यम से एनालॉग कंप्यूटेशन डिजिटल प्रोसेसिंग की तुलना में काफी कम ऊर्जा की खपत करता है, जो ग्रीन कम्युनिकेशन लक्ष्यों के अनुरूप है।
सह-डिज़ाइन प्रतिमान (Co-Design Paradigm): यह शोध पत्र संचार सिद्धांत (चैनल मॉडलिंग, बीमफॉर्मिंग) और डीप लर्निंग के बीच एक महत्वपूर्ण कड़ी स्थापित करता है, यह दिखाते हुए कि वायरलेस चैनल स्वयं एक प्रोग्रामेबल न्यूरल नेटवर्क लेयर हो सकता है।
व्यावहारिक व्यवहार्यता (Practical Viability): अध्ययन इस बात पर प्रकाश डालता है कि जबकि MISO उच्च सटीकता प्रदान करता है, MIMO ओवरहेड के मामले में अधिक कुशल है, जो सिस्टम डिजाइनरों को विशिष्ट अनुप्रयोग आवश्यकताओं (जैसे, विलंबता बनाम सटीकता बनाम बैंडविड्थ) के आधार पर एक लचीला ट्रेड-ऑफ प्रदान करता है। मल्टी-RIS परिनियोजन के संबंध में निष्कर्ष भविष्य के 6G नेटवर्क के लिए विशेष रूप से महत्वपूर्ण हैं जो विविध प्रोपेगेशन वातावरणों में काम करते हैं।