Air-ODE Neural Network with Distributed RISs Aided Communication Systems
Notice bibliographique
Résumé
Analog machine-learning hardware platforms promise to be faster and more energy efficient than their digital counterparts. Specifically, over-the-air analog computation allows offloading computation to the wireless environment through carefully constructed transmitted signals. In addition, reconfigurable intelligent surface (RIS) is emerging as a promising solution for next-generation wireless communication networks, offering a variety of merits such as the ability to tailor the communication environment. Based on the merits brought by the RIS, we design and implement the residual-based block that uses over-the-air computation and demonstrate it for inference tasks in an ordinary differential equation (ODE) deep neural network. We engineer the ambient wireless propagation environment through distributed RISs to design such an architecture, which is termed as over-the-air ordinary differential equation (Air-ODE) neural network. In contrast to the conventional digital ODE-inspired neural network architecture, the Air-ODE block leverages the physics of wave reflection and the reconfigurable phase shifts of RISs to implement an ODE-based block in the analog domain. We then validate the entire Air-ODE neural network based on a complex-valued image reconstruction task. The simulation results illustrate that the analog Air-ODE can achieve similar performance to the digital ODE network and the deployment of the Air-ODE block can achieve 2.08 times and 1.29 times performance gain on peak signal-to-noise ratio (PSNR) and structural similarity index (SSIM), respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».