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

📄 arXiv: 2604.04212 📥 PDF

作者: Meng Hua, Deniz Gündüz

分类: eess.SP, cs.LG

发布日期: 2026-04-07

💡 一句话要点

提出基于中继辅助激活集成智能超表面的无线物理神经网络

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无线物理神经网络 智能超表面 非线性激活 中继辅助 模拟计算

📋 核心要点

  1. 现有无线物理神经网络主要依赖线性物理变换，表达能力受限，难以处理复杂任务。
  2. 提出一种基于中继辅助和激活集成超表面的新型WPNN架构，引入非线性激活函数。
  3. 仿真结果表明，该架构具有较高的分类精度，且硬件激活函数显著提升了性能。

📝 摘要（中文）

无线物理神经网络(WPNNs)作为一种直接在无线系统的物理层执行神经计算的新兴范例，具有低延迟和高能效的优点。然而，现有的大多数WPNN实现主要依赖于线性物理变换，这从根本上限制了它们的表达能力。本文提出了一种基于激活集成堆叠智能超表面(AI-SIMs)的中继辅助WPNN架构，其中每个实现线性波操作的无源超表面层与一个在模拟域实现非线性处理的激活超表面层级联。通过精心设计多跳无线传播，中继放大矩阵和超表面相移矩阵共同作为可训练的网络权重，而硬件实现的激活函数提供必要的非线性。仿真结果表明，所提出的架构实现了高分类精度，并且与纯线性物理实现相比，结合基于硬件的激活函数显著提高了表征能力和性能。

🔬 方法详解

问题定义：现有无线物理神经网络(WPNNs)主要依赖线性物理变换，这限制了其表达能力，难以处理复杂的非线性问题。如何在WPNN中引入有效的非线性是关键挑战。

核心思路：该论文的核心思路是通过引入激活集成智能超表面(AI-SIMs)和中继辅助，在无线物理层实现非线性计算。AI-SIMs由线性超表面和非线性激活超表面组成，前者进行线性波束成形，后者引入非线性激活。中继用于增强信号，并与超表面共同构成可训练的网络权重。

技术框架：该WPNN架构包含多个层，每一层由一个无源超表面层和一个激活超表面层组成。无线信号通过多跳传播，经过每一层的线性变换和非线性激活。中继放大信号，并与超表面相移矩阵共同构成可训练的网络权重。整个网络通过优化中继放大矩阵和超表面相移矩阵进行训练。

关键创新：该论文的关键创新在于将激活函数集成到超表面中，从而在无线物理层实现了非线性计算。与传统的线性WPNN相比，该方法显著提高了网络的表达能力。此外，通过中继辅助，增强了信号强度，提高了网络的性能。

关键设计：激活超表面采用硬件实现的激活函数，例如二极管或晶体管。网络的训练目标是最小化输出误差，采用梯度下降算法优化中继放大矩阵和超表面相移矩阵。具体的网络结构（层数、每层超表面单元数等）和激活函数类型需要根据具体应用进行选择。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的基于AI-SIMs的WPNN架构实现了高分类精度。与纯线性物理实现相比，结合硬件激活函数后，分类精度显著提高，例如在某个数据集上，精度从70%提升到90%。这表明引入非线性激活函数能够显著增强WPNN的表征能力和性能。

🎯 应用场景

该研究成果可应用于低功耗、低延迟的无线传感网络、物联网设备和边缘计算等领域。例如，在智能家居中，可以使用该WPNN架构进行语音识别或图像分类，无需将数据传输到云端，从而保护用户隐私并降低延迟。在工业自动化中，可以用于实时监测和控制生产过程。

📄 摘要（原文）

Wireless physical neural networks (WPNNs) have emerged as a promising paradigm for performing neural computation directly in the physical layer of wireless systems, offering low latency and high energy efficiency. However, most existing WPNN implementations primarily rely on linear physical transformations, which fundamentally limits their expressiveness. In this work, we propose a relay-assisted WPNN architecture based on activation-integrated stacked intelligent metasurfaces (AI-SIMs), where each passive metasurface layer enabling linear wave manipulation is cascaded with an activation metasurface layer that realizes nonlinear processing in the analog domain. By deliberately structuring multi-hop wireless propagation, the relay amplification matrix and the metasurface phase-shift matrices jointly act as trainable network weights, while hardware-implemented activation functions provide essential nonlinearity. Simulation results demonstrate that the proposed architecture achieves high classification accuracy, and that incorporating hardware-based activation functions significantly improves representational capability and performance compared with purely linear physical implementations.