深度学习方法的硬件实现,以实现可重新配置的智能表面的最佳配置
Alberto Martín-Martín1,2, Rubén Padial-Allué2, Encarnación Castillo2
1eesy-Innovation GmbH, 82008 Unterhaching, Germany.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
本研究介绍了一种基于人工智能的方法,用于优化无线网络中可重新配置的智能表面 (RIS). 现场可编程网关阵列 (FPGA) 在RIS配置方面表现出卓越的性能,增强了6G通信.
科学领域:
- 无线通信无线通信
- 人工智能的人工智能
- 边缘计算 边缘计算
背景情况:
- 可重新配置的智能表面 (RIS) 对于定制无线网络中的无线传播至关重要,特别是对于6G.
- 优化RIS配置是由于系统约束而面临的重大挑战.
- 现有的方法很难有效地解决复杂的RIS配置问题.
研究的目的:
- 提出一种基于人工智能 (AI) 和深度学习 (DL) 的新方法,用于RIS配置.
- 为边缘计算应用开发和评估一个定制的卷积神经网络 (CNN).
- 在各种边缘设备上比较人工智能驱动的RIS配置的性能,包括FPGA.
主要方法:
- 为基于边缘的RIS配置开发一个自定义的卷积神经网络 (CNN).
- 在各种边缘计算平台上实现和比较CNN:商业AI设备和现场可编程门阵列 (FPGA).
- 使用速度和效率等指标进行性能评估,包括与FP32 GPU加速和INT8量子化TPU加速实现进行比较.
主要成果:
- FPGA实现实现了显著的性能提升:比FP32 GPU加速20倍,比INT8量子化TPU加速近3倍.
- 使用了高级合成 (HLS) 工具,证明了没有定制加速器的有效实施.
- 在人工智能驱动的RIS配置任务中,FPGA表现出卓越的性能和效率.
结论:
- 人工智能和DL,特别是边缘设备上的CNN,为挑战RIS配置问题提供了可行的解决方案.
- 对于支持人工智能的RIS,FPGA提供了一个高性能和高效的硬件平台,性能优于商业人工智能加速器.
- 由于FPGA固有的可重配置性,它们成为未来在先进无线系统中的RIS应用的关键推动者.
