南京大学缪峰教授、梁世军教授、王聪研究员Nat Electron :通信感知的存内无线神经网络

成果介绍

在无线通信环境下，边缘设备与云服务器之间的协同计算，对于帮助能量受限的边缘设备执行超出其处理能力的复杂任务至关重要。然而，由于存算分离、信号处理与收发分离，以及神经网络与无线通信分离等问题的存在，当前的无线协同系统在能效和延迟方面面临挑战。

在此，南京大学缪峰教授、梁世军教授、王聪研究员（共同通讯作者）报告了一种通信感知的内存内无线神经网络。该方法利用模拟内存内计算技术来实现边缘计算和无线通信，并将无线通信作为可学习模块集成到无线神经网络中。研究构建了一个包含边缘推理加速器和无线通信系统的原型。该原型在街景门牌号码数据集上的实验推理准确率达到93.71%，并且在使用低分辨率模数转换器进行无线通信时仍能保持推理准确率。我们还展示了该方法能够适应多种无线条件并降低通信成本

图文导读

图1 | 通信感知的内存内无线神经网络概述。a，通信感知的内存内无线神经网络示意图。模拟内存内计算技术被同时应用于神经形态计算与无线通信。无线通信被视为神经网络中的一个可学习模块，并通过通信感知训练方法与神经网络进行协同训练。b，通信感知训练方法的流程图。在训练过程中，无线通信被建模为一个可微分的符号级比特翻转过程。翻转概率由可学习的无线通信参数θ决定。由于训练目标包含原始任务特定目标和通信相关目标，神经网络的训练旨在提升任务性能的同时降低通信成本。

图2 | 通信感知的内存内无线神经网络的实现。a，基于模拟内存内计算技术实现的原型系统。OFDM，正交频分复用；QPSK，正交相移键控。b，经过计算图优化和量化后的边缘卷积神经网络计算图。该边缘卷积神经网络从SVHN测试数据集的26,032张图像中提取特征。c，传输前的准备。特征数据被串行化并划分为134,998个3,168位的码块。每个码块中的比特通过低密度奇偶校验码进行编码、补零，然后被划分为134个28比特的符号。d，基于模拟内存内计算技术的无线发射器示意图。第一个模拟内存内计算芯片与外围电路一起用作子载波信号发生器。它生成同相（I）子载波信号及其正交（Q）分量，作为第二个模拟内存内计算芯片的输入。在第二个模拟内存内计算芯片中，每个符号存储在一对差分列中用于调制。具体来说，13对列（由虚线矩形包围）存储用于传输的符号，每个符号包含28个有效比特。其余3对存储30比特的符号用于控制传输过程。用虚线绘制的模拟内存内计算单元未在调制中使用。承载着列内存储比特的已调制信号经过上变频和放大，最终由天线发射。e，基于模拟内存内计算技术的接收器示意图。天线收集的信号经过放大、下变频和滤波。两个模拟内存内计算芯片级联用于解调同相（I）和正交（Q）频率分量。一个多路复用器顺序选择一行，将采样信号作为输入。差分积分器在每个时间步累加列对的差分输出。经过32步后，累加电压由模数转换器数字化。最后，差分积分器的累加电压复位归零。一个码块的解调结果被解码，并用于在图形处理器（GPU）上执行剩余的推理。

图3 | 内存内无线通信的性能。a，携带特征比特的接收信号的热图样式星座图。图中横坐标和纵坐标分别代表所有子载波频率上的同相（I）和正交（Q）分量。区域颜色表示该区域内比特对（每对由一对正交子载波承载）的计数。b，接收到的507 Mb特征的误码率（BER）。解码后，误码率从原始误码率0.175%降低至0.045%。c，内存内无线通信与数字方案在误码率对所使用模数转换器有效位数（ENOB）的依赖性方面的比较。

图4 | 通信感知的内存内无线CNN的性能。a，在SVHN测试数据集上的分类结果混淆矩阵。b，在SVHN测试数据集上的推理准确率。所实现的内存内无线CNN达到了93.71%的推理准确率，接近理想推理准确率。c，在无线通信中使用不同ENOB的ADC时，内存内无线CNN与数字方案各自的推理准确率。d，通信感知的内存内无线神经网络降低了硬件要求。我们基于SVHN数据集，对使用CAT方法训练和未使用CAT方法训练的内存内无线神经网络进行了性能比较。用于无线通信的AIMC芯片的编程精度在训练中被选为可学习参数。无线神经网络在恒定参数无线信道（AWGN信道）条件下进行训练和测试。仿真在不同无线信道条件下进行，信噪比范围为-5 dB至5 dB。对于每种无线信道条件，使用不同的随机种子（1999, 2009, …, 2189）进行了20次仿真。统计结果以箱线图展示。箱体从数据的第一四分位数延伸到第三四分位数，中间的线表示中位数。须线从箱体延伸出1.5倍的四分位距。插图中显示了学习到的精度。使用CAT训练的无线神经网络即使在使用低精度AIMC芯片时也能实现高推理准确率，而未使用CAT方法的无线神经网络在相同条件下则经历严重的准确率下降。

图5 | 通信感知的内存内无线神经网络在各种无线条件下的适用性。a–c，无线信道特性和调制方案对误码率模式的影响：通过平坦衰落信道传输（a），通过频率选择性衰落信道传输（b），以及使用高阶调制方案（c）。T_symbol 表示符号周期。当通过以平坦衰落为特征的时变无线信道传输时，符号比特共享相同的时变误码率（图5a）。相比之下，当通过时变频率选择性信道传输时（图5b），不同子载波承载的比特表现出不同的误码率。此外，误码率模式还受到调制方案的影响（图5c），其中当使用高阶调制方案（例如，16-QAM）时，子载波承载的最低有效位（LSB）相比最高有效位（MSB）更容易发生翻转。d–f，使用CAT方法训练和未使用CAT方法训练的内存内无线神经网络的性能比较：4-QAM（d）、16-QAM（e）和64-QAM（f）。仿真在ImageNet-1K数据集上进行，其中平均信噪比在CAT期间被选为可学习的无线参数。神经网络（ResNet-50）被训练一次，然后在各种无线条件下进行测试，包括多种调制阶数（4-QAM、16-QAM、64-QAM）以及具有不同信道特性（例如，变化的平均信噪比、平坦衰落和频率选择性衰落）的随机时变无线信道。同时，低精度的AIMC芯片（2比特、3比特和4比特）和低精度的ADC（分别为1比特、2比特和3比特）被用于调制器和/或解调器（分别为4-QAM、16-QAM和64-QAM）。使用CAT训练的无线神经网络在所有测试条件下都实现了高准确率，并且由于达到可接受推理准确率（即，top-1准确率下降小于10%）所需的最小平均信噪比（信噪比与发射功率成正比）降低，在减少无线发射功率消耗方面提供了显著优势。

结论与展望

研究报道了基于模拟内存内计算技术的通信感知型内存内无线神经网络的研发进展。通过降低调制器与解调器的数据转换开销，并采用通信感知训练方法降低无线传输的误码率要求，本方法可有效减少无线通信系统的能耗与硬件开销。我们构建了原型系统，并在街景门牌号码数据集上完成了性能评估。实验表明，即便在无线通信中使用1比特模数转换器，原型系统的推理准确率仍未见下降。此外，通信感知训练方法不仅能增强无线神经网络对多样化无线环境的适应性，还可有效降低通信成本，包括降低对模拟内存内计算芯片编程精度的要求和发射功率需求。

文献信息

Yang, ZZ., Wang, C., Zhao, Y. et al. Communication-aware in-memory wireless neural networks. Nat Electron (2026). 

文献链接：https://doi.org/10.1038/s41928-026-01577-5