用射频物理计算拆解机器学习

现代边缘设备（如摄像头、无人机、物联网节点）广泛依赖机器学习来实现各类智能应用。然而，在资源受限的边缘设备上直接部署机器学习模型，传统数字计算架构需要大量内存和计算能力才能进行实时推理。本文提出了一种名为WISE的无线边缘网络计算架构，它有两项关键创新：一是通过无线广播实现模型的分散访问，支持多个边缘设备同时推理；二是利用单个混频器在射频频段直接进行通用复值矩阵向量乘法的物理计算。

研究背景指出，机器学习虽推动了计算领域变革，但模型参数规模扩大后，数据在内存与处理单元间的移动能耗成为效率瓶颈，且从云端获取模型权重需大量无线带宽，还可能引发隐私问题。传统数字计算硬件（如ASIC、GPU）的能效与理论下限存在差距，因此需要基于连续物理量（如波）的新型计算范式。现有物理计算方法（如光子波导、忆阻器交叉阵列等）虽有能效优势，但需专用硬件，实用性和可扩展性受限。而射频系统可利用边缘设备已有的无线连接，通过广播模型权重提供新方案。

WISE架构中，中央无线电广播编码模型权重的射频信号，多个边缘客户端通过共享无线信道同时获取模型。每个客户端的WISE-R设备接收广播信号后，结合本地数据进行推理，通过无源混频器在物理层面完成矩阵向量乘法。例如，无人机可在无需本地存储模型的情况下，对拍摄图像执行目标检测和分类。与现有物理计算相比，WISE的优势在于：使用边缘设备已广泛存在的射频元件（如无源混频器），硬件改动小；编码解码算法使单个混频器能高效处理大维度矩阵向量乘法，满足先进大模型需求；通过无线广播实现真正的分散部署，边缘设备无需本地存储模型。

实验通过软件定义无线电平台验证，WISE在MNIST数据集上实现95.7%的图像分类准确率（音频分类达97.2%），能耗低至6.0 fJ/MAC（音频为2.8 fJ/MAC），较现代GPU等传统数字计算能效提升超10倍。对于四层深度学习模型（433万参数），在保持相近能效（5.2 fJ/MAC）的同时，MNIST分类准确率提升至97.2%。

该研究表明，WISE有望改变无线边缘网络的智能部署格局，在众多实际应用中提供更高的能效，为边缘设备大规模机器学习部署开辟新路径。