跳到正文
arXiv cs.AI· Christo Kurisummoottil Thomas·· 4 小时前AI 评分18

基于模拟射频计算的语义通信:让射频前端直接计算语义

Semantic Communication via Analog RF Computing: When the Radio Computes the Meaning

AI 导读

研究者提出一种端到端语义通信框架,让边缘设备用接收机的无源混频器在射频前端以模拟计算方式执行语义编码器,基站则以射频波形广播编码器权重,从而在超低能耗下计算语义潜变量并上传供网络侧任务推理。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:语义通信(SC)系统传输连续的语义潜在表示,但在资源受限的边缘设备上计算语义编码器会带来大量的能耗和内存开销。为应对这一挑战,我们提出了一种端到端 SC 框架,利用模拟射频计算在客户端的射频接收机前端执行语义编码器。基站(BS)以射频波形广播编码器权重,而每个边缘设备复用其接收机的无源混频器,以超低能耗计算语义潜在表示。这些潜在表示通过上行链路传输,用于网络侧的任务推理。我们证明,跨编码器层的模拟计算噪声与影响所传输潜在表示的信道噪声可统一为同一数学模型。我们定义了任务后验语义失真度量,并推导出其分解为每客户端、每阶段语义敏感度的二阶分解。利用该分解,我们得到了总客户端能量预算在客户端、编码器层和上行链路之间的闭式语义感知注水分配,为语义敏感阶段分配更严格的精度目标。该分配引出一个考虑客户端特定、逐层精度要求的广播波束成形问题。我们进一步通过随机优化细化该分配,并将其与共享语义模型的多任务噪声感知训练联合设计。MNIST 仿真表明,在总客户端能量匹配的情况下,与均匀精度相比,所提分配将网络语义失真降低 9.2\%-19.2\%,与客户端盲分配相比降低 5.1\%-13.1\%。噪声感知协同设计进一步带来 46\% 的降低。
主题: 信号处理(eess.SP);人工智能(cs.AI);信息论(cs.IT)
引用为: arXiv:2611.22100 [eess.SP]
  (或本版本的 arXiv:2611.22100v1 [eess.SP])
  https://doi.org/10.48550/arXiv.2611.22100

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Christo Kurisummoottil Thomas [查看电子邮件]
[v1] 2026年11月17日星期二 02:35:27 UTC(337 KB)

来源:arXiv cs.AI · arxiv.org