Wetenschappers hebben een baanbrekende methode ontwikkeld waarbij draadloze communicatiesystemen niet langer enkel dienen voor het transport van data, maar zelf de rol van computer overnemen. Door de inzet van MIMO-relaisnetwerken (Multiple-Input Multiple-Output) is het mogelijk om zogenaamde Wireless Physical Neural Networks (WPNNs) te creëren. In dit model worden neurale berekeningen niet door software op een processor uitgevoerd, maar direct in de analoge hardware ingebed.
Volgens een wetenschappelijke publicatie op arxiv.org biedt deze verschuiving van digitale naar fysieke berekeningen aanzienlijke voordelen, met name op het gebied van een lager energieverbruik en een vermindering van de latentie. De kern van deze technologie ligt in het feit dat de hardware zelf de computationele taken uitvoert terwijl het signaal wordt verzonden.
De kracht van hardware-nonlineariteit
In traditionele neurale netwerken is de activatiefunctie essentieel om complexe patronen te herkennen en te bepalen of een neuron moet 'vuren'. In de voorgestelde architectuur maken de onderzoekers gebruik van een multi-hop MIMO-relaisnetwerk, waarbij elk relais fungeert als een trainbaar onderdeel met een specifieke complexe lineaire winst en bias.
Een opvallend aspect van dit onderzoek is de omgang met vermogensversterkers. Waar nonlineariteit in deze componenten voorheen werd gezien als een storende factor die gecorrigeerd moest worden, wordt deze nu juist ingezet als de activatiefunctie van het netwerk. Zoals beschreven in de , ontstaat er door het achter elkaar schakelen van meerdere relais een volledig verbonden netwerk dat 'over-the-air' opereert. Dit stelt het systeem in staat om end-to-end getraind te worden, waardoor het volledige traject van zender naar ontvanger wordt geoptimaliseerd voor een specifieke taak.
Transceiver-ontwerpen en kanaalinformatie
Om de theoretische modellen om te zetten naar praktische toepassingen, hebben de auteurs Meng Hua, Itsik Bergel en Deniz Gündüz twee verschillende transceiver-ontwerpen ontwikkeld. Deze ontwerpen variëren op basis van de beschikbare Channel State Information (CSI), oftewel de kennis over de conditie van het communicatiekanaal.
Het eerste ontwerp maakt gebruik van de kleinste kwadratenmethode (Least Squares). Dit schema is relatief eenvoudig omdat het enkel CSI aan de ontvangerszijde vereist. Het tweede, meer geavanceerde schema is gebaseerd op singuliere waardeontbinding (SVD). Dit systeem vraagt om volledige CSI-kennis aan zowel de zender- als de ontvangerszijde, wat in theorie resulteert in een hogere precisie tijdens de signaalverwerking. Meer details over deze technische implementaties zijn te vinden in het .
Resultaten en toekomstperspectief
De effectiviteit van deze fysieke neurale netwerken is getoetst via simulaties gericht op beeldclassificatie. De resultaten tonen aan dat de architectuur in staat is om accurate inferenties te genereren terwijl de data draadloos wordt verzonden. De conclusie is dat het bewust exploiteren van hardware-nonlineariteit de inferentiecapaciteit van het netwerk juist versterkt.
Deze doorbraak, die raakt aan vakgebieden als Machine Learning, Artificiële Intelligentie en Signaalverwerking, suggereert dat fysieke beperkingen van analoge componenten kunnen worden omgezet in computationele troeven. Volgens de opent dit de weg naar een nieuwe generatie energiezuinige AI-systemen die naadloos zijn geïntegreerd in de bestaande infrastructuur van telecommunicatienetwerken.