无线硬件跑AI！2640万参数CNN推理能耗暴降100倍
Radio-Frequency Convolutional Neural Networks
📖 AI 总结
该研究提出射频卷积神经网络（RF-CNN），利用无线通信设备中已有的频率混频器在频域天然执行卷积运算的特性，将多通道卷积映射到频率音上，由无源混频器单次完成，从而复用现有通信硬件实现CNN推理，无需额外增加计算硬件。实验表明，RF-CNN可运行多达2640万参数、九层的深度网络，覆盖无线信号分类、图像分类及可控图像生成任务，性能接近全精度水平。由于权重通过空中传输且模拟硬件与通信共享，边缘设备仅需为数据准备和读出消耗能量，每次乘加运算能耗低至0.72飞焦，比使用附加数字处理器低两个数量级。这一结果意味着已部署的无线基础设施有望为数十亿联网设备提供高效、先进的AI推理能力。
🔑 关键词速览
| 射频卷积神经网络 (RF-CNN) | 一种利用无线通信硬件（如混频器）在频域执行卷积运算的神经网络，用于边缘设备上的高效AI推理。 |
| 边缘设备 | 指智能手机、可穿戴设备、无人机等靠近数据源的终端设备，通常计算资源有限。 |
| 混频器 | 无线电台中的组件，用于将信号在时间上相乘，从而在频域实现卷积操作。 |
| 乘加运算 (MAC) | 神经网络中的基本计算操作，即乘法与累加，其能耗是衡量硬件效率的关键指标。 |
| SWaP-C | 尺寸、重量、功耗和成本的缩写，是边缘设备硬件设计中的关键约束条件。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅