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

Título: Máquinas de Aprendizado Extremo (ELM) Over-The-Air com Recepção XL via Metasuperfícies em Cascata Não Lineares

1. Problema e Motivação

O paradigma emergente de comunicações orientadas a objetivos (Goal-Oriented Communications) busca realizar inferência de Machine Learning (ML) diretamente sobre dados transferidos via rádio, evitando a reconstrução completa do sinal no receptor.

• Desafios Atuais: A maioria das implementações de ML na camada física (PHY) ainda depende de processamento digital pesado ou utiliza apenas operações lineares, o que limita a capacidade de aproximação de funções complexas. Sistemas anteriores que tentaram realizar computação Over-The-Air (OTA) frequentemente exigiam múltiplas cadeias de radiofrequência (RF) e amplificadores não lineares complexos, tornando a escalabilidade difícil.
• Objetivo: Desenvolver um sistema de MIMO Extremamente Grande (XL-MIMO) capaz de atuar como uma Máquina de Aprendizado Extremo (ELM) para tarefas de classificação binária, realizando todo o processamento de inferência no domínio de RF (OTA), com baixa complexidade de hardware e treinamento em forma fechada.

2. Metodologia Proposta

Os autores propõem um sistema de recepção baseado em Metasuperfícies Inteligentes Empilhadas (SIM - Stacked Intelligent Metasurfaces), também conhecidas como Metasuperfícies em Cascata (CMS).

Arquitetura do Sistema:

1. Transmissor (TX): Possui $N_t$ antenas. Os dados de entrada são codificados na amplitude do sinal (Modulação de Amplitude - AM) e transmitidos.
2. Canal de Propagação: O canal MIMO XL ($H$) atua como uma camada oculta aleatória com pesos fixos (baseado em desvanecimento Rayleigh rico).
3. Receptor (RX) - Camada Frontal (Não Linear):
   • Consiste em uma camada de metasuperfície com células unitárias de resposta não linear (NL) fixa e idêntica.
   • Esta camada implementa uma função de ativação aproximada do tipo ReLU (Rectified Linear Unit) dependente da magnitude, com um viés (bias) de hardware.
   • Matematicamente, transforma a entrada $y$ em $g(y) \approx \frac{1}{2}\max(0, |y|-b)e^{j\arg\{y\}}$.
4. Receptor (RX) - Camadas em Cascata (Lineares):
   • Seguem-se $L$ camadas de metasuperfícies difrativas com respostas lineares sintonizáveis (controle de amplitude e fase).
   • Essas camadas realizam a combinação de sinais OTA, aproximando os pesos treinados da ELM.
5. Saída: Um único elemento de antena seguido por uma única cadeia de RF (RF chain), reduzindo drasticamente o custo de hardware em comparação com sistemas que exigem uma cadeia de RF por elemento.

Algoritmo de Treinamento (Abordagem em Duas Etapas):

O sistema é modelado como uma Rede Neural de Alimentação Direta (Feedforward) de camada única oculta (ELM).

1. Cálculo dos Pesos Ideais: Dado um conjunto de dados, a matriz de ativação $G$ é gerada pela camada NL. Os pesos ideais ótimos ($w^*$) são calculados em forma fechada (solução de mínimos quadrados com regularização de Tikhonov), sem necessidade de backpropagation iterativa para os pesos da camada oculta.
2. Aproximação OTA dos Pesos: Como os pesos $w^*$ não podem ser aplicados digitalmente diretamente, o sistema otimiza os parâmetros das camadas lineares em cascata ($\phi$) para aproximar $w^*$. Isso é feito minimizando a diferença de Frobenius entre o peso ideal e a resposta física do sistema, utilizando Descida de Gradiente Projetada (PGD).

3. Principais Contribuições

• Inferência OTA Completa: Demonstração de que é possível realizar classificação binária complexa inteiramente no domínio de RF, sem reconstrução digital do sinal de entrada.
• Arquitetura de Baixa Complexidade: Substituição de múltiplas cadeias de RF e processamento digital pesado por uma única cadeia de RF e metasuperfícies programáveis.
• Integração de Não-Linearidade Física: Uso de uma camada frontal de metasuperfície com resposta não linear fixa para implementar a função de ativação da ELM diretamente no hardware, superando a limitação de sistemas puramente lineares.
• Treinamento Rápido: Aproveitamento da estrutura ELM, onde a camada oculta (canal + ativação NL) é aleatória e fixa, permitindo o cálculo analítico dos pesos de saída, acelerando o treinamento e o re-tuning.
• Fundamentação Teórica: Discussão sobre a propriedade de aproximação universal do sistema sob condições de espalhamento rico (Rayleigh).

4. Resultados Numéricos

Os autores avaliaram o desempenho em três conjuntos de dados: Parkinson's, Wisconsin Breast Cancer (WBCD) e MNIST (subamostrado para classificação binária par/ímpar).

• Precisão vs. Tamanho do Sistema: A precisão de classificação aumenta com o número de elementos na camada frontal ($N_r$). No regime XL (ex: 512 elementos), o sistema atinge desempenho comparável a modelos digitais ideais e redes neurais profundas (DNNs) treinadas digitalmente.
• Comparação de Pesos: A variação com "pesos OTA" (aproximados pelas camadas lineares) apresenta desempenho muito próximo à variação com "pesos ideais" (aplicados digitalmente), embora haja uma leve degradação em tamanhos muito grandes devido à convergência do PGD.
• Robustez ao Canal:
  • O sistema performa bem sob condições de espalhamento rico (Rayleigh).
  • A precisão diminui à medida que o canal se torna dominado por Linha de Visão (LoS) (fator Ricean alto), pois a diversidade de características aleatórias necessárias para a ELM é reduzida.
• Complexidade Computacional: O treinamento é eficiente, com complexidade dominada pela inversão de matriz (para pesos ideais) e otimização de gradiente (para aproximação física), sendo escalável para grandes conjuntos de dados em comparação com o backpropagation tradicional.

5. Significado e Impacto

Este trabalho representa um avanço significativo na direção de Redes 6G e além, onde a inteligência artificial é integrada nativamente à infraestrutura física de comunicação.

• Eficiência Energética e de Hardware: Ao realizar computação na propagação do sinal, elimina-se a necessidade de conversores A/D de alta velocidade para cada antena e de processamento digital intensivo no receptor.
• Viabilidade de ELM OTA: Demonstra que as Máquinas de Aprendizado Extremo podem ser implementadas fisicamente usando metamateriais, oferecendo uma alternativa viável e mais simples às Redes Neurais Profundas tradicionais para tarefas de inferência em tempo real.
• Futuro: Abre caminho para sistemas de comunicação que não apenas transmitem dados, mas processam informações de forma distribuída e eficiente no ar, essencial para aplicações de IoT massiva e sensoriamento inteligente.