南京大学缪峰教授&梁世军教授NE:通信感知的存内无线神经网络

欢迎投稿。欢迎课题组投递宣传稿，发布招聘广告。

投稿邮箱：wedotech2025@163.com

投稿电话：16622153402（微信同号）

边缘设备与云服务器之间的无线协作计算，对于资源受限的边缘设备完成超出其处理能力的复杂任务至关重要。然而，现有无线协作系统面临能效和延迟方面的挑战：首先，传统冯·诺依曼处理器由于存储单元与计算单元分离，频繁的数据搬移导致高能耗；其次，无线系统中信号处理模块与收发模块的分离，阻碍了空间分布式神经网络间的信息流动，增加系统延迟；最后，无线通信通常独立于神经网络运行，追求无差错传输，却忽视了神经网络本身的容错能力所蕴含的能效提升潜力。模拟存内计算（AIMC）有望解决这些分离问题——它允许在模拟域直接进行原位处理，利用欧姆定律和基尔霍夫定律并行执行神经网络的核心运算（向量矩阵乘法），并能与传感、无线传输等模拟过程无缝集成，加速信息流动。

南京大学缪峰教授&梁世军教授的团队报道了通信感知的存内无线神经网络。该方法利用模拟存内计算技术同时实现边缘计算和无线通信，并将无线通信作为无线神经网络的一个可学习模块进行集成。搭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实现了93.71%的实验推理准确率，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各种无线条件，并可降低通信成本。该文章以“Communication-aware in-memory wireless neural networks”为题发表在国际顶级期刊Nature Electronics上。

图2-通信感知的存内无线神经网络的实现：图2详细展示了原型系统的硬件实现。图2a为整体系统构成，包括基于AIMC的神经形态计算加速器、AIMC无线发射机、AIMC无线接收机和数字计算机。边缘CNN的计算图经过优化和量化后如图2b所示，所有权重和激活量化为4比特，仅最后一个ReLU采用1比特量化以最小化传输负担。图2c展示了传输前的准备：特征数据串行化后分为134,998个3,168比特的码块，经LDPC编码、补零后分为134个28比特的符号。图2d为AIMC发射机原理：第一片AIMC芯片产生30路子载波信号，输入第二片AIMC芯片；第二片芯片中每对差分列存储一个符号，差分输出即为携带存储比特的调制信号，经上变频和放大后由天线发射。图2e为AIMC接收机：接收信号经放大、下变频、滤波后，由两片AIMC芯片解调同相和正交频率分量；多路选择器逐行选通输入，差分积分器累加列对差分输出，32步后ADC数字化累加电压，结果经解码后用于云端剩余推理。整个系统实现了从边缘计算到无线传输再到云端推理的全链路存内计算集成。

图3-存内无线通信的性能：图3展示了存内无线通信系统的实测性能。图3a为接收信号的星座图热力图，横纵坐标分别代表所有子载波频率下的I/Q分量，颜色深浅表示落入该区域的比特对数量。从507 Mb特征数据的解调结果可以看出，星座点清晰分离，证明存内无线通信的可靠性。图3b统计了接收比特的误码率：信道解码前（仅硬判决）BER为0.175%，经LDPC纠错后BER降至0.045%，信道噪声和AIMC芯片本身的噪声均能被有效纠正。图3c对比了存内方案与传统数字方案在不同ADC分辨率下的BER表现：存内方案在1比特ADC时仍保持低BER，而传统数字方案在1比特ADC时BER恶化至近15%。这一对比凸显了存内无线通信的核心优势——由于模拟无线信号在AIMC芯片中直接处理，只有处理结果需要数字化，因此对ADC分辨率的要求大幅降低，从而显著提升能效。

图4-通信感知的存内无线CNN的性能：图4展示了基于原型系统的无线协作推理结果。图4a为SVHN测试集分类结果的混淆矩阵，图4b显示推理准确率达到93.71%，与理想准确率仅差0.3%。图4c对比了存内方案与传统数字方案在不同ADC有效位数下的推理准确率：存内方案即使在1比特ADC时准确率也未下降，而传统方案准确率急剧恶化，证明了存内方案在降低硬件成本方面的优势。图4d通过仿真展示了CAT方法对硬件要求的进一步降低：将AIMC芯片的编程精度作为可学习参数，经CAT训练的无线神经网络在编程精度降至2比特时仍能保持高准确率（插图），而未经CAT训练的模型在相同条件下准确率暴跌。箱线图统计了20次随机种子下的结果，证实CAT能显著降低对AIMC编程精度的要求，从而减少编程开销和硬件资源消耗。

图5-通信感知的存内无线神经网络对多种无线条件的适应性：图5展示了CAT方法使无线神经网络能够适应复杂多变的无线环境。图5a-c示意了不同信道特性和调制方案对误码率模式的影响：平坦衰落信道中各符号比特具有相同的时变BER（a）；频率选择性信道中不同子载波承载的比特表现出不同BER（b）；高阶调制中最低有效位比最高有效位更易翻转（c）。图5d-f为基于ImageNet数据集的仿真结果，对比了经CAT训练与未经CAT训练的ResNet-50在不同调制方式（4-QAM、16-QAM、64-QAM）和随机时变信道下的性能。CAT训练的模型在所有测试条件下均保持高准确率，且达到可接受准确率所需的最低平均SNR（SNRmin）显著降低：在平坦衰落信道下，SNRmin降低16 dB，相当于发射功率降至传统方法的2.5%；在频率选择性信道下，未经CAT的模型即使SNR充足也遭遇灾难性准确率下降，而CAT模型仍能保持高性能。这些结果证明了CAT方法能大幅提升无线神经网络的鲁棒性和能效。

【文献总结】

本研究报道了基于模拟存内计算技术的通信感知存内无线神经网络，通过将边缘计算和无线通信统一在AIMC平台上，并将无线通信作为可学习模块融入神经网络，实现了能效与性能的协同优化。研究团队搭建了包含AIMC神经形态计算加速器、AIMC无线发射机和接收机的完整原型系统，在SVHN数据集上验证了93.71%的推理准确率，并首次证明在1比特ADC下准确率不降，突破了传统无线通信对高分辨率ADC的依赖。提出的通信感知训练（CAT）方法使无线神经网络能够自适应多种无线条件——在ImageNet仿真中，CAT将所需发射功率降低至传统方法的2.5%，并在频率选择性信道下保持高准确率，而传统模型则完全失效。与摘要侧重于方法介绍和原型验证不同，本结论强调该工作开创了一种“通信-计算一体化”的新范式：它不再将无线通信视为独立的外部环节，而是作为神经网络的可微分内嵌模块，利用神经网络的容错能力反向优化通信参数，实现了系统级能效的跨越式提升。这一架构为边缘智能、物联网、6G通信等领域的低功耗、高可靠无线协同计算提供了全新解决方案，也为未来存内计算与通信的深度融合奠定了理论基础和工程示范。

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

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