⚡ electrical engineering

Realization of a Fully Connected Neural Layer Over-the-Air through Multi-hop Amplify-and-Forward Relays

Questo studio propone un framework di ottimizzazione alternata per implementare uno strato completamente connesso di una rete neurale tramite calcolo over-the-air in un sistema multi-hop con relay amplifica-e-inoltra, dimostrando tramite simulazioni che tale approccio raggiunge un'accuratezza di classificazione quasi perfetta.

Autori originali: Tolga Girici, Meng Hua, Deniz Gündüz

Pubblicato 2026-03-24

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Tolga Girici, Meng Hua, Deniz Gündüz

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover inviare un messaggio complesso, come un'immagine o un pensiero, da un punto A a un punto B. Normalmente, per farlo, lo trasformi in un codice digitale (zeri e uno), lo impacchetti in una busta, lo spedisci e il destinatario lo riapre e lo decodifica. Questo processo richiede tempo, energia e può essere lento.

Questo articolo parla di un modo molto più intelligente e veloce per farlo, usando l'aria stessa come "cavo" per il calcolo.

Ecco la spiegazione semplice, passo dopo passo:

1. Il Problema: Troppa Energia e Troppo Tempo

Oggi, le intelligenze artificiali (come quelle che guidano le auto a guida autonoma o fanno la realtà aumentata) devono prendere decisioni in millisecondi. Se inviano i dati al "cloud" (un computer lontano) per elaborarli, ci mettono troppo tempo e consumano troppa batteria.
L'idea degli autori è: perché trasformare il segnale in digitale e poi rimandarlo? Perché non lasciarlo viaggiare come un'onda radio e fare i calcoli mentre viaggia?

2. La Soluzione Magica: "AirFC" (Calcolo nell'Aria)

Immagina di voler sommare o moltiplicare dei numeri. In un computer digitale, lo fai passo dopo passo. In questo sistema, chiamato AirFC, usi le onde radio.

L'idea: Se due persone parlano contemporaneamente, le loro voci si mescolano nell'aria. Invece di essere un disturbo, qui è una caratteristica! L'aria fa la somma delle onde per te.
L'obiettivo: Costruire un "strato" di una rete neurale (una parte fondamentale del cervello artificiale) usando solo l'aria, senza computer digitali intermedi.

3. La Sfida: La Distanza e il Rumore

C'è un problema: le onde radio si indeboliscono quando viaggiano lontano (come una voce che diventa un sussurro se ti allontani). Inoltre, c'è sempre un po' di "rumore" di fondo (come il fruscio della radio).
Se provi a mandare il segnale direttamente dal trasmettitore al ricevitore su una lunga distanza, il messaggio arriva debole e confuso.

4. La Geniale Idea: I "Corrieri" (Relay)

Qui entra in gioco la parte più creativa del paper. Immagina di dover attraversare un grande deserto. Non puoi camminare tutto il percorso da solo.

I Relay (Ripetitori): Invece di un solo salto, usiamo una catena di "corrieri" (i dispositivi di relay).
Amplifica e Inoltra: Ogni corriere ascolta il messaggio, lo amplifica (lo rende più forte) e lo passa al corriere successivo.
La Catena: Non ne basta uno. Ne servono molti, organizzati in gruppi, che passano il testimone l'uno all'altro. Più sono i gruppi, più il messaggio arriva forte e chiaro, anche su lunghe distanze.

5. Come Funziona la "Magia" Matematica

Gli autori hanno creato un sistema intelligente (un algoritmo) che agisce come un direttore d'orchestra:

Il Trasmettitore (Dirigente): Decide come inviare il messaggio iniziale.
I Corrieri (Musicisti): Ognuno regola il volume esatto del suo segnale per non urlare troppo (risparmiando energia) ma nemmeno sussurrare.
Il Ricevitore (Ascoltatore): Regola le orecchie per sentire perfettamente il messaggio finale.

Il sistema calcola continuamente come devono comportarsi tutti questi attori affinché, quando le onde si mescolano nell'aria, il risultato finale sia esattamente quello che il cervello artificiale avrebbe dovuto calcolare.

6. Cosa Hanno Scoperto (I Risultati)

Hanno fatto delle simulazioni (esperimenti al computer) con scenari realistici:

Distanze lunghe: Quando la distanza è grande, usare una sola catena di corrieri non basta. Usare 2 o 3 gruppi di corrieri fa la differenza.
Precisione: Con il giusto numero di corrieri e la giusta potenza, il sistema riesce a riconoscere immagini (come vestiti o scarpe in un test chiamato Fashion-MNIST) con una precisione quasi perfetta, uguale a quella dei computer digitali tradizionali.
Robustezza: Funziona anche se c'è molto rumore o se il segnale diretto è bloccato (come se ci fosse un muro tra te e il destinatario).

In Sintesi

Immagina di dover costruire un muro di mattoni (il calcolo della rete neurale).

Metodo vecchio: Prendi ogni mattone, lo porti a mano, lo metti a posto, poi prendi il prossimo. Lento e faticoso.
Metodo AirFC: Costruisci un nastro trasportatore magico (l'aria). I mattoni viaggiano sul nastro e, mentre si muovono, si assemblano da soli grazie a dei "manovratori" (i relay) che li spingono e li sistemano al volo.

Il risultato? Un sistema che è veloce, consuma poca energia e permette all'intelligenza artificiale di lavorare direttamente "sull'aria", senza bisogno di server pesanti e lenti. È come se l'aria stessa diventasse parte del cervello del computer.

Titolo: Realizzazione di un Layer Fully-Connected di una Rete Neurale tramite Calcolo Over-the-Air (OTA) con Relè Multi-hop Amplify-and-Forward

1. Il Problema

Le applicazioni moderne di edge computing (come AR/VR, sistemi autonomi e IoT massivo) richiedono inferenze con latenza nell'ordine dei millisecondi, budget energetici ridotti e capacità di backhaul limitate. L'inferenza digitale basata sul cloud introduce latenza e consuma molta energia a causa delle pesanti operazioni matriciali e dei costi di quantizzazione/packetizzazione.
Il calcolo Over-the-Air (OTA) sfrutta il canale wireless stesso per eseguire operazioni di moltiplicazione e accumulazione (MAC), evitando tali overhead. Sebbene l'implementazione di layer neurali tramite OTA sia stata esplorata (es. AirFC, RIS), esistono sfide significative:

La necessità di collegamenti diretti ad alta capacità tra trasmettitore e ricevitore.
Il problema del rango del canale: in scenari come le bande millimetriche o in assenza di linea visiva (LoS), il canale MIMO diretto può essere a rango ridotto, limitando la capacità di imitare una matrice di pesi complessa.
L'accumulo di rumore e la perdita di segnale su lunghe distanze.
L'alto costo di deployment e manutenzione di molteplici Superfici Intelligenti Riconfigurabili (RIS) per creare canali a rango completo.

L'obiettivo di questo lavoro è implementare un layer Fully-Connected (FC) di una rete neurale utilizzando un sistema multi-hop con dispositivi di relay Amplify-and-Forward (AF), superando i limiti di distanza e rango senza dipendere esclusivamente da RIS o collegamenti diretti.

2. Metodologia

Il sistema proposto consiste in:

Un trasmettitore (BS) con $N_t$ antenne.
Un ricevitore (Rx) con $N_r$ antenne.
$L$ gruppi di relay AF disposti in serie tra BS e Rx, per un totale di $K$ relay a singola antenna distribuiti nell'area.
Un eventuale collegamento diretto BS-Rx.

Modello del Sistema:
Il segnale attraversa una catena di canali: BS $\to$ Gruppo Relay 1 $\to$ ... $\to$ Gruppo Relay L $\to$ Rx. Ogni gruppo relay riceve il segnale, lo amplifica con un guadagno complesso (matrice diagonale $A_l$ ) e lo inoltra al gruppo successivo in modalità TDMA.
Il canale effettivo del sistema ( $H_{eff}$ ) è la somma del collegamento diretto e del prodotto concatenato dei canali e dei guadagni di amplificazione dei relay.

Ottimizzazione:
L'obiettivo è far sì che la relazione ingresso-uscita del sistema OTA ( $y = F_2 H_{eff} F_1 x + \text{rumore}$ ) imiti il comportamento di un layer FC digitale ($y = Wx + b$), dove $W$ è la matrice dei pesi target.
Viene formulato un problema di ottimizzazione per minimizzare l'errore di imitazione e la propagazione del rumore, soggetto a vincoli di potenza:

Variabili di ottimizzazione: Matrice di precodifica del BS ( $F_1$ ), matrice di combinazione del ricevitore ( $F_2$ ) e matrici di guadagno dei relay ( $A_l$ ).
Vincoli: Potenza massima del trasmettitore e potenza massima per ogni dispositivo relay.

Algoritmo di Soluzione:
Gli autori propongono un framework di Ottimizzazione Alternata (AO) che risolve iterativamente il problema dividendo le variabili in tre blocchi:

Aggiornamento di $F_1$ : Risoluzione di un problema di minimi quadrati vincolato alla potenza (usando moltiplicatori di Lagrange e bisezione).
Aggiornamento di $F_2$ : Soluzione in forma chiusa che bilancia l'errore di imitazione e la propagazione del rumore.
Aggiornamento dei Guadagni $A_l$ : Risoluzione di un problema di minimi quadrati regolarizzato per isolare il contributo di ogni gruppo di relay. Viene introdotta una regolarizzazione "noise-aware" per evitare guadagni esplosivi in canali mal condizionati, seguita da una proiezione sulla potenza massima per relay.

3. Contributi Chiave

Prima implementazione multi-hop OTA per reti neurali: Il lavoro estende il concetto di AirFC a scenari multi-hop, dimostrando che i relay AF possono essere utilizzati non solo per la fusione di dati, ma per l'implementazione fisica di layer neurali.
Superamento dei limiti di rango e distanza: Dimostra che l'uso di relay multi-hop può migliorare il rango del canale effettivo e compensare il pathloss su lunghe distanze, offrendo un'alternativa più economica e flessibile rispetto all'uso massiccio di RIS.
Framework di ottimizzazione robusto: Sviluppo di un algoritmo AO che gestisce simultaneamente precodifica, combinazione e guadagno dei relay, includendo una regolarizzazione specifica per la gestione del rumore accumulato.
Analisi di scalabilità: Studio dettagliato di come le prestazioni variano in funzione del numero di hop, della potenza dei relay e della densità dei dispositivi.

4. Risultati delle Simulazioni

Le simulazioni sono state condotte su un dataset Fashion-MNIST con un'architettura di rete neurale che include layer convoluzionali e fully-connected complessi. I parametri includono frequenze a 28 GHz e modelli di pathloss 3GPP UMi.

Accuratezza quasi perfetta: In scenari con area limitata ( $D_{max}=100m$ ) e potenza adeguata, il sistema multi-hop raggiunge un'accuratezza di classificazione quasi identica al baseline digitale (84.5%), con barre di errore molto piccole (alta stabilità).
Vantaggio del Multi-hop su lunghe distanze: Per aree più grandi ( $D_{max}=200m$ ), un singolo hop ( $L=1$ ) fallisce. L'uso di 2 o 3 gruppi di relay ( $L=2, 3$ ) migliora drasticamente l'accuratezza, avvicinandosi al baseline digitale. Questo perché i collegamenti più corti riducono l'accumulo di rumore.
Ritorni marginali: Aumentare ulteriormente il numero di hop ( $L>3$ ) offre guadagni minimi, poiché l'accuratezza è già vicina al limite digitale e l'accumulo di rumore in ogni hop riduce lo spazio per il guadagno di amplificazione.
Sensibilità alla potenza: Con potenze di relay molto basse (0.01 W), le prestazioni crollano e diventano instabili, evidenziando la necessità di un budget energetico sufficiente per i relay.
Ruolo del collegamento diretto: Anche in presenza di un collegamento diretto BS-Rx, la maggior parte del guadagno di accuratezza è fornito dal sistema multi-hop; il collegamento diretto apporta solo un miglioramento marginale (~1%).
Densità dei relay: Sono sufficienti circa 12-20 relay per gruppo per raggiungere prestazioni ottimali.

5. Significato e Implicazioni

Questo lavoro dimostra la fattibilità di eseguire inferenze neurali complesse direttamente attraverso il canale wireless fisico, eliminando la necessità di trasmissione digitale e successiva elaborazione.

Efficienza Energetica e Latenza: Riduce drasticamente il consumo energetico e la latenza, rendendo possibile l'inferenza in tempo reale su dispositivi edge con risorse limitate.
Robustezza: Il sistema è robusto anche in assenza di linea visiva diretta, sfruttando la diversità spaziale dei relay.
Futuro della Comunicazione: Apre la strada a reti di comunicazione "computazionali" dove l'infrastruttura di rete (relay) partecipa attivamente al calcolo, non solo al trasporto dei dati.
Sviluppi Futuri: Il paper suggerisce come direzioni future la gestione degli errori di sincronizzazione, l'efficienza energetica dei relay, la selezione ottimale dei nodi e l'integrazione con l'energy harvesting.

In sintesi, l'articolo propone una soluzione elegante e pratica per implementare reti neurali su canali wireless degradati o a lunga distanza, utilizzando l'architettura multi-hop AF come sostituto hardware per i layer fully-connected digitali.