Published: 08 September 2025 Citation in BibTeX format

SIGCOMM ’25: ACM SIGCOMM 2025 Conference September 8 – 11, 2025 Coimbra, Portugal

1. 论文概述与核心创新

该研究提出了一种名为 MetaAI 的新型无线计算范式，其核心思想是将神经网络计算直接集成到无线信号的传播过程中 。传统的边缘 AI 方案通常采用“先传输后计算”的模式，这在能源和延迟方面存在瓶颈 。MetaAI 通过可编程超表面（Metasurface, MTS）将无线信道转化为主动计算元件，实现了数据传输与神经网络处理的并行化 。

该系统的最大创新在于利用了无线传播与线性神经网络（LNN）在数学逻辑上的固有线性一致性 。研究者发现，线性网络的并行操作可以分解为等效的顺序计算，从而解决了顺序无线传输与并行神经计算之间的不匹配问题 。此外，MetaAI 还支持高效的多传感器数据融合，为物联网（IoT）设备提供了一种低功耗且具备结构隐私的 AI 推理方案 。

2. MetaAI 系统架构详细解析

MetaAI 的系统架构突破了传统物理神经网络（PNN）作为服务器“协处理器”的限制 ，将其深度嵌入到通信链路上。其架构由以下三个关键部分协同工作：

• 发送端（IoT 设备与数据编码层）：
  • 编码与调制：输入数据（如图像比特流）首先被调制为无线信号（如 BPSK 或 QAM）进行顺序传输 。
  • 顺序发射：与传统 PNN 要求所有像素同时并行输入不同，MetaAI 利用线性分解特性，允许 IoT 设备逐个符号发送数据 。这意味着简单的商品化 IoT 设备无需硬件修改即可参与复杂的 AI 计算 。
• 计算介质（可编程超表面 MTS）：
  • 动态权重实现：超表面由多个可编程元原子组成 。通过 STM32 微控制器控制 PIN 二极管的偏置电压（0V/5V），每个元原子可实现 4 种离散相位状态 。
  • 空中运算：乘法操作在信号经过 MTS 反射时通过其引入的相移（即信道响应 $H(t)$）实现；加法操作则通过电磁波在空间的自然叠加自动完成 。
  • 单层效能：由于采用了分解计算逻辑，单层 MTS 即可独立配置每个输入的权重，达到了多层传统 PNN 才能实现的计算复杂度 。
• 接收端（边缘服务器与结果累积）：
  • 信号解调与累加：接收器捕捉经过 MTS 调制后的信号。服务器在软件层面将这些随时间顺序到达的信号片段进行累积 。
  • 推理产出：累加后的最终结果即为神经网络的分类输出（如目标类别概率），服务器直接获得推理结论而无需接触原始原始数据，从而保护了隐私 。

3. 实验设计与性能评

研究团队在多种复杂室内环境（走廊、实验室、办公室）中部署了原型系统，并进行了详尽的实验验证。

• 实验设置与硬件：
  • 使用了两类 MTS 原型：一种支持双频段（2.4/5 GHz），另一种支持 5G NR 频段（3.5 GHz） 。
  • 发射端与接收端采用 USRP 设备，支持从 BPSK 到 256-QAM 的多种调制方案 。
  • 环境挑战：实验涵盖了非视距（NLoS）场景、跨房间通信以及存在人体走动干扰的动态环境 。
• 数据集表现（多领域验证）： MetaAI 在 6 个极具代表性的数据集上验证了其通用性 ：
  • MNIST（手写数字）：识别准确率高达 89.77% 。
  • Widar 3.0（人类手势）：在手势识别任务中表现稳健，准确率为 84.67% 。
  • 其他任务：包括水果（Fruits-360, 85.05%）、时装物品（Fashion, 80.86%）以及动物和人脸识别 。
• 多传感器融合实验（详细数据）：这是 MetaAI 的核心优势，实验评估了同模态与跨模态融合的效果：
  • 同模态融合：使用 3 个不同角度的摄像头采集人脸数据（Multi-PIE），单视角准确率仅 64.58%，融合后提升至 89.58%，净增 25% 。
  • 跨模态融合：结合加速度计与陀螺仪（USC-HAD）进行动作识别，比单传感器方案准确率提升了 27.06% 。
• 对比评估与效率：
  • 能效对比：在 MNIST 数据集下，MetaAI 的推理能耗远低于基于 CPU 或 GPU 的方案 。例如，GPU 运行 ResNet-18 的总能耗约为 183 mJ，而 MetaAI 的计算发生在信号传播中，几乎消除了边缘服务器的计算负载 。
  • 鲁棒性：在 NLoS 场景下平均准确率仍能保持在 76.60% 以上 ；即使有行人阻挡直连路径（R4 区域），识别率依然维持在 85.38% 。

4. 关键技术方案与系统挑战

为了让 MetaAI 在真实物理世界中稳定运行，研究者提出了两项关键优化：

• 时钟同步与 CDFA 策略： 由于 IoT 设备与 MTS 之间没有物理共享时钟，细微的同步误差会导致权重应用错位 。实验显示，延迟就会使准确率降至 25% 左右 。MetaAI 采用了粗粒度检测与细粒度调整（CDFA）策略，通过在 MTS 上部署能量检测器并配合训练时的同步偏差模拟，将 80% 的误差控制在 0.28以内，使系统在异步条件下依然保持约 89.28% 的准确率 。
• 系统噪声缓解方案： 针对硬件相位噪声和多径干扰，MetaAI 提出在模型训练阶段人为降低信噪比（SNR）来模拟设备噪声 。实验证明，该方案将系统的 80 分位准确率从 80.48% 提升到了 87.92% 。

5.总结

本文提出了一种名为 MetaAI 的新型无线计算范式，它通过可编程超表面（MTS）将无线信道转化为主动计算介质，实现了数据传输与神经网络推理的并行化 。该架构利用线性神经网络与无线传播在数学逻辑上的线性一致性，通过将并行计算任务分解为等效的顺序操作，解决了传统物理神经网络与顺序无线传输之间的不匹配问题 。实验表明，MetaAI 在 MNIST 等六个数据集上表现稳健，平均识别准确率达 82.8% ；特别是在多传感器融合场景下，准确率最高可提升 27.06% 。相较于传统 GPU 方案，MetaAI 将能耗降低了约 16.7 倍，在显著降低边缘服务器计算负载的同时，通过避免原始数据传输提供了天然的隐私保护，为低功耗物联网 AI 应用开辟了新路径 。