⚡ electrical engineering

Over-The-Air Extreme Learning Machines with XL Reception via Nonlinear Cascaded Metasurfaces

Dit artikel presenteert een over-the-air Extreme Learning Machine voor XL-MIMO-systemen die gebruikmaakt van niet-lineaire, gekaskede meta-oppervlakken om binaire classificatietaken volledig in de fysieke laag uit te voeren met prestaties die vergelijkbaar zijn met digitale machinelearning-modellen.

Oorspronkelijke auteurs: Kyriakos Stylianopoulos, Mattia Fabiani, Giulia Torcolacci, Davide Dardari, George C. Alexandropoulos

Gepubliceerd 2026-04-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kyriakos Stylianopoulos, Mattia Fabiani, Giulia Torcolacci, Davide Dardari, George C. Alexandropoulos

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een postbode bent die duizenden brieven (data) naar een huis (de ontvanger) moet brengen. In de traditionele wereld van communicatie, doet de postbode zijn werk: hij brengt de brieven naar binnen, en dan moet iemand anders (een computer) de brieven openen, lezen, samenvatten en beslissen wat er mee moet gebeuren. Dit kost tijd, energie en veel rekenkracht.

De onderzoekers in dit paper hebben een heel slim idee bedacht: Waarom wachten tot de brieven binnen zijn? Waarom niet de postbode zelf de beslissing laten nemen terwijl de brieven nog onderweg zijn?

Hier is de uitleg van hun innovatie, vertaald naar alledaags taal:

1. Het Grote Doel: "Rekenen in de Lucht"

Deze wetenschappers willen dat onze toekomstige netwerken (zoals 6G) niet alleen data transporteren, maar ook rekenen terwijl de data door de lucht vliegt. Dit noemen ze "Over-The-Air Computing" (rekenen via de lucht).

Stel je voor dat je een foto van een hond naar een server stuurt om te vragen: "Is dit een hond of een kat?"

Oude manier: Je stuurt de hele foto, de server laadt hem, kijkt ernaar, denkt na en stuurt het antwoord terug.
Nieuwe manier: De foto wordt verstuurd, maar de "lucht" zelf (de zender, de ruimte en de ontvanger) verandert de foto zodanig dat er op het moment dat hij aankomt, al duidelijk is: "Ja, dit is een hond." De computer hoeft dan alleen nog maar te zeggen: "Oké, ik heb het antwoord."

2. De Magische Muur: De "Intelligente Metasurfaces"

Hoe doen ze dit? Ze gebruiken een nieuw soort technologie genaamd Metasurfaces.
Stel je een heel groot raam voor dat bestaat uit miljoenen kleine, slimme tegeltjes.

De eerste laag (De "Actieve" Tegels): De eerste muur die de signalen tegenkomt, bestaat uit tegels die een beetje "gekke" dingen doen. Ze zijn niet lineair; ze reageren op de sterkte van het signaal alsof ze een lichtschakelaar zijn. Als het signaal te zwak is, doen ze niets. Als het sterk genoeg is, laten ze het door. Dit is als een filter dat alleen de interessante dingen doorlaat. In de wereld van kunstmatige intelligentie noemen we dit een "activatiefunctie".
De volgende lagen (De "Stelbare" Tegels): Achter die eerste muur zitten nog een paar lagen van deze tegels. Deze zijn heel slim en kunnen hun houding veranderen. Ze kunnen het signaal een beetje draaien of versterken. Ze fungeren als de rekenwerk van de computer. Ze zorgen ervoor dat de signalen op de juiste manier samenkomen.

3. De "Extreme Learning Machine" (ELM): De Slimme Gok

De kern van hun systeem is een algoritme dat ze een Extreme Learning Machine noemen.

Hoe het werkt: Stel je voor dat je een enorme puzzel moet oplossen. Normaal gesproken moet je elke puzzelstukje heel lang proberen te draaien tot het past (dit duurt lang).
De truc van deze paper: Ze zeggen: "Laten we de eerste helft van de puzzel (de lucht en de eerste muur) willekeurig neerleggen. Dat is onze 'geheime saus'. Omdat de lucht zo complex is, werkt dit als een willekeurige, maar perfecte mix."
Vervolgens hoeven ze alleen nog maar de laatste stap (de achterste tegels) heel snel in te stellen om de puzzel te voltooien. Dit kan ze in één keer doen, zonder urenlang te oefenen. Het is alsof je een willekeurige mix van ingrediënten neemt en dan alleen nog de zout en peper (de instelbare tegels) toevoegt om het gerecht perfect te maken.

4. Waarom is dit zo cool?

Snelheid: Omdat ze niet hoeven te wachten tot de data binnen is om te rekenen, gaat het razendsnel.
Energie: Er is geen zware computer nodig om de data te verwerken. De "rekenkracht" zit in de muur zelf en in de manier waarop het signaal door de lucht reist.
Eén antenne: Normaal heb je voor zulke slimme systemen honderden antennes nodig. Dankzij deze slimme muur hebben ze aan één enkele antenne achteraan genoeg om het antwoord te krijgen.

Samenvattend met een Metafoor

Stel je een orkest voor dat een symfonie speelt (de data).

In de oude wereld: Het orkest speelt de muziek, de muziek komt aan bij de zaal, en dan moet een dirigent (de computer) naar de bladmuziek kijken en beslissen of het mooi klinkt.
In dit nieuwe systeem: Het orkest speelt door een heel speciaal, golvend raam (de metasurfaces). Dit raam is zo ontworpen dat het de muziek terwijl het erdoorheen gaat, transformeert. Als de muziek aan de andere kant van het raam aankomt, klinkt het al als een perfect "JA" of "NEE". De dirigent hoeft alleen maar te knikken.

Conclusie:
Deze paper laat zien dat we in de toekomst onze draadloze netwerken kunnen gebruiken als een gigantische, onzichtbare computer die direct in de lucht "denkt". Ze gebruiken een slimme muur van tegels om dit te doen, waardoor we sneller en zuiniger kunnen communiceren en beslissingen kunnen nemen, of het nu gaat om het diagnosticeren van ziektes of het herkennen van gezichten.

Titel

Over-The-Air Extreme Learning Machines met XL-ontvangst via Niet-lineaire Gekaskadeerde Metasurfaces (NL-CMS-ELM)

1. Het Probleem

De toekomstige draadloze netwerken (zoals 6G) streven naar "Goal-Oriented Communications" (GOC), waarbij de focus ligt op het infereren van taken (zoals classificatie) in plaats van het perfect reconstrueren van de ruwe data.

Uitdaging: Bestaande methoden voor "Over-The-Air" (OTA) computing en Machine Learning (ML) in de fysische laag (PHY) hebben vaak beperkingen. Veel systemen vertrouwen nog steeds op digitale verwerking of vereisen complexe hardware met vele RF-ketens.
Beperkingen van huidige MS-gebaseerde DNN's: De meeste bestaande implementaties van MetaSurfaces (MS) voor OTA-inferentie beperken zich tot lineaire bewerkingen, wat de approximatieve capaciteit van het model drastisch vermindert.
Bestaande ELM-aanpakken: Eerdere werken (zoals [11]) gebruikten XL-MIMO-systemen als Extreme Learning Machines (ELM), maar deze vereisten niet-lineaire versterkers en vele RF-ketens, wat de schaalbaarheid en hardware-complexiteit negatief beïnvloedt.

2. Methodologie

Het paper stelt een nieuw systeem voor: een XL-MIMO-ELM (Extreem Groot MIMO als Extreme Learning Machine) dat volledig OTA werkt door gebruik te maken van Stacked Intelligent Metasurfaces (SIM) of Cascaded Diffractive Metasurfaces (CMS).

Systeemarchitectuur:

Zender (TX): Verzendt signalen waarbij de input-data $x$ wordt gecodeerd in de amplitude van het RF-signaal (Amplitude Modulation).
Kanaal: Het draadloze kanaal ( $H$ ) fungeert als de "verborgen laag" van het neurale netwerk. De kanaleigenschappen worden behandeld als willekeurige gewichten.
Ontvanger (RX) Architectuur:
1. Front-laag (Niet-lineair): De eerste laag bestaat uit een XL-Metasurface met een vaste, niet-lineaire (NL) respons. Deze laag fungeert als de activatiefunctie van het ELM. De auteurs modelleren dit als een complexwaardige variant van een ReLU-functie (gebaseerd op een drempelwaarde $b$ ).
2. Gekaskadeerde lagen (Lineair): Achter de front-laag bevinden zich $L$ lagen van afstembare, lineaire metasurfaces. Deze lagen worden gebruikt om de trainbare gewichten van het ELM te benaderen.
3. Enkele RF-keten: Het signaal wordt na passage door alle lagen gecombineerd en opgevangen door één enkele antenne en één RF-keten, wat de hardwarekosten minimaliseert.

Trainingsproces (Twee-staps aanpak):

Berekening van Ideale Gewichten: Gegeven een dataset, worden de ideale ELM-gewichten ( $w^*$ ) berekend in gesloten vorm (Least Squares oplossing) door de activaties van de front-laag te combineren met de doelen.
OTA Benadering: Omdat de fysieke metasurfaces de ideale gewichten niet direct kunnen implementeren, wordt een optimalisatieprobleem opgelost. De parameters van de lineaire MS-lagen (amplitudes en fases) worden aangepast via Projected Gradient Descent (PGD) om de ideale gewichten $w^*$ zo goed mogelijk te benaderen.

3. Belangrijkste Bijdragen

NL-CMS-ELM Framework: Introductie van een systeem dat niet-lineaire bewerkingen en trainbare gewichten volledig in de RF-domein realiseert via gestapelde metasurfaces, zonder digitale verwerking tijdens de inferentie.
Hardware-efficiëntie: Het systeem vereist slechts één RF-keten aan de ontvangzijde, in tegenstelling tot eerdere XL-MIMO-ELM-aanpakken die vele RF-ketens nodig hadden.
Gesloten vorm training: Het gebruik van het ELM-framework zorgt voor snelle training (gesloten vorm oplossing voor de gewichten) in plaats van iteratieve backpropagation door het hele netwerk.
Theoretische onderbouwing: Bespreking van de universaliteit van de benadering onder rijke verstrooiingscondities (Rayleigh fading), waarbij het kanaal fungeert als een orthogonale projectie van de data.

4. Resultaten

De auteurs hebben hun systeem geëvalueerd op drie datasets: Parkinson's, WBCD (Wisconsin Breast Cancer) en MNIST (handgeschreven cijfers, gereduceerd tot binaire classificatie).

Prestatie: In het XL-regime (met een groot aantal elementen $N_r$ $N_{r}$ op de front-laag) bereikt het voorgestelde systeem prestaties die vergelijkbaar zijn met digitale ML-modellen en geïdealiseerde ELM-modellen.
- De classificatie-accuraatheid neemt toe met het aantal elementen $N_r$ .
- De "OTA weights" (benaderd via MS) presteren zeer dicht bij de "Ideal weights" (digitaal berekend), hoewel er bij zeer grote $N_r$ een lichte degradatie optreedt door onvoldoende convergentie van de PGD.
Invloed van het Kanaal:
- Het systeem presteert optimaal onder Rayleigh fading (rijke verstrooiing), omdat dit zorgt voor voldoende diversiteit in de willekeurige kenmerken.
- Bij toenemende Line-of-Sight (LoS) componenten (hoge Ricean factor $K$ ) daalt de prestatie, omdat de kanaleigenschappen minder divers worden en de activatiematrix niet meer vol-rang is.
Complexiteit: De trainingscomplexiteit is lager dan die van traditionele Deep Neural Networks (DNN's) omdat de zware berekening (matrixinversie) in gesloten vorm gebeurt en de OTA-benadering onafhankelijk is van de datasetgrootte (afhankelijk van het aantal iteraties).

5. Betekenis en Conclusie

Dit paper demonstreert de haalbaarheid van het inbedden van leercapaciteiten direct in de fysische laag van toekomstige draadloze systemen.

Paradigmaverschuiving: Het bewijst dat complexe inferentietaken (zoals classificatie) volledig "Over-The-Air" kunnen worden uitgevoerd door slim gebruik te maken van de eigenschappen van het kanaal en programmable metasurfaces.
Toekomstperspectief: De aanpak biedt een pad naar energie-efficiënte en low-latency Edge Inference voor 6G-netwerken, waarbij de zware rekenlast van digitale verwerking wordt vervangen door analoge, elektromagnetische bewerkingen.
Schaalbaarheid: Door het gebruik van slechts één RF-keten en de mogelijkheid om het systeem te herschalen via het aantal metasurface-elementen, biedt dit een praktische oplossing voor de implementatie van ML in toekomstige XL-MIMO-systemen.