Relay-Assisted Activation-Integrated SIM for Wireless Physical Neural Networks

1. Problema e Motivação

As Redes Neurais Físicas Sem Fio (WPNNs) emergiram como um paradigma promissor para realizar computação neural diretamente na camada física dos sistemas de comunicação, oferecendo baixa latência e alta eficiência energética. No entanto, a maioria das implementações existentes de WPNNs enfrenta duas limitações fundamentais:

• Restrição de Linearidade: A maioria depende apenas de transformações físicas lineares (como manipulação de fase apenas por superfícies inteligentes reconfiguráveis - RIS), o que limita severamente a capacidade expressiva da rede para tarefas complexas.
• Restrição de Módulo Unitário: As implementações baseadas em metassuperfícies são inerentemente limitadas pela exigência de deslocamento de fase com módulo unitário, o que impede a realização de operações não lineares essenciais para o aprendizado profundo.

O objetivo deste trabalho é superar essas limitações criando uma arquitetura capaz de realizar processamento não linear nativo no domínio analógico durante a propagação do sinal.

2. Metodologia e Arquitetura Proposta

Os autores propõem uma arquitetura de WPNN assistida por retransmissor (relay) baseada em Metassuperfícies Inteligentes Empilhadas Integradas com Ativação (AI-SIMs).

• Estrutura do Sistema: O sistema consiste em um transmissor, um nó retransmissor (relay) e um receptor. Tanto o transmissor quanto o receptor são equipados com AI-SIMs. A comunicação ocorre em condições de não linha de visada (NLoS), utilizando o retransmissor para estabelecer um enlace de múltiplos saltos.
• Camadas AI-SIM: Cada AI-SIM é composta por camadas alternadas:
  1. Camada Passiva: Manipula ondas eletromagnéticas linearmente através de deslocamentos de fase programáveis.
  2. Camada de Ativação: Implementa processamento não linear no domínio analógico. Esta camada integra detectores de radiofrequência (RF), amplificadores e somadores de tensão para realizar funções de ativação (semelhantes a tanh) diretamente no hardware.
• Papel do Retransmissor (Relay): O nó retransmissor não atua apenas como um facilitador de comunicação, mas como uma camada computacional física (uma camada totalmente conectada - FC). Ele utiliza amplificadores de potência com características não lineares intrínsecas (modeladas pelo modelo de Rapp) para emular funções de ativação, além de realizar processamento de canal (estimativa de mínimos quadrados) para mitigar distorções.
• Fluxo de Sinal: A imagem de entrada é mapeada para o domínio complexo, processada pela AI-SIM do transmissor, transmitida via canal sem fio, processada pelo retransmissor (com ativação não linear), transmitida novamente, processada pela AI-SIM do receptor e finalmente classificada.

3. Principais Contribuições

• Integração de Não Linearidade no Hardware: A proposta introduz camadas de metassuperfície que realizam ativações não lineares no domínio analógico, superando a barreira das implementações puramente lineares.
• Arquitetura Híbrida Relay-AI-SIM: Eleva o retransmissor de um simples repetidor para uma camada computacional integral da rede neural, explorando as não linearidades dos amplificadores de potência como recursos de processamento.
• Mapeamento de Pesos Treináveis: Demonstra que as matrizes de deslocamento de fase das metassuperfícies e a matriz de amplificação do retransmissor atuam conjuntamente como pesos treináveis da rede, enquanto as não linearidades de hardware fornecem a expressividade necessária.
• Robustez em Baixa SNR: A arquitetura é projetada para manter a eficácia da inferência mesmo em condições de baixa relação sinal-ruído (SNR), onde métodos lineares falham.

4. Resultados Numéricos

Os resultados foram validados através de simulações utilizando o conjunto de dados Fashion-MNIST (70.000 imagens em escala de cinza).

• Comparação com Implementações Lineares: A arquitetura proposta ("Relay, nonlinear") demonstrou superioridade significativa sobre a contraparte linear. Em uma SNR de -20 dB, a versão não linear alcançou uma precisão de classificação de 0,6867, enquanto a versão linear caiu para 0,1011, evidenciando a necessidade crítica da ativação não linear.
• Robustez ao Ruído: O sistema proposto mostrou-se robusto em regimes de baixa SNR, superando até mesmo uma linha de base idealizada sem propagação OTA (Over-the-Air) em certos cenários, devido à robustez implícita induzida pelo processamento assistido por retransmissão.
• Impacto da Largura e Profundidade:
  • O aumento do número de meta-átomos (largura) até certo ponto melhora o desempenho, mas a capacidade da rede é dominada pela camada FC induzida pelo retransmissor.
  • O aumento da profundidade (número de camadas passivas L) não trouxe ganhos significativos além de L=1, sugerindo que a profundidade efetiva já é suficiente para a tarefa devido à estrutura híbrida.
  • Existe um compromisso (trade-off) entre o ganho de dimensionalidade e a acumulação de ruído ao aumentar a largura da rede física.

5. Significado e Conclusão

Este trabalho representa um avanço significativo no campo das comunicações inteligentes e da computação física. Ao integrar funcionalidades de ativação não linear diretamente no hardware de propagação sem fio e utilizar retransmissores como camadas computacionais, os autores demonstram que é possível realizar inferência de redes neurais complexas com alta eficiência energética e baixa latência.

A principal implicação é que as limitações de hardware (como não linearidades de amplificadores e restrições de fase) podem ser transformadas em recursos computacionais. Isso abre caminho para o desenvolvimento de sistemas 6G onde a inteligência artificial é nativa ao meio físico, eliminando a necessidade de conversões analógico-digitais excessivas e permitindo processamento de dados diretamente "no ar".