射频卷积神经网络：复用无线通信硬件做 CNN 推理

一篇 arXiv 论文提出射频卷积神经网络（RF-CNNs），把 CNN 推理映射到无线射频已有的频率混频器上，利用混频器在时域相乘等价于频域卷积的特性，单次完成多通道卷积。实验显示其可运行最多 2640 万参数、九层的深度 CNN，覆盖无线信号分类、图像分类和可控图像生成，性能接近全精度。权重通过空中传输，边缘设备只需承担数据准备与读出，单次乘累加能耗低至 0.72 飞焦。

此前边缘 AI 多依赖新增数字加速器，而手机、可穿戴设备和无人机本就受尺寸、重量、功耗、成本限制。该工作改为复用设备已有的射频混频器执行卷积，不再额外增加计算硬件，并在能耗上比外挂数字处理器低约两个数量级，指向用已部署无线基础设施承载 AI 推理的路径。

机制核心是频率混频器在时域做信号相乘，这一操作天然对应频域卷积。研究把多通道卷积映射到不同频率音调上，让无源混频器一次完成计算；权重经空中传输到达，模拟硬件与通信共享，因此边缘端能耗被压缩到仅剩数据准备与读出。这样把无线通信链路同时变成推理通道和计算资源池。

对边缘产品而言，若该方案成立，AI 推理算力可从新增芯片转向复用射频前端，直接缓解 SWaP-C 约束，并使能耗预算向 0.72 飞焦/乘累加量级靠近。研发上需要重新考虑射频前端与神经网络编译的协同设计，把权重传输、频率映射和读出精度纳入同一流程；产品侧可探索在已联网设备上以极低功耗提供分类与生成能力。

• 评估现有无线模组的混频器能否被改造成推理通路，先做小规模卷积与读出精度的可行性验证。
• 针对权重通过空中传输的特点，设计面向射频前端的模型压缩与频率映射工具链，降低编译门槛。
• 在无人机或可穿戴等 SWaP-C 敏感场景，选取单一分类任务做端到端能耗与延迟对照测试。
• 探索按推理调用计费的无线基础设施服务形态，把通信网络同时作为推理服务入口。

• 2640 万参数、九层模型的精度损失在何种任务与数据分布下保持接近全精度？
• 0.72 飞焦每乘累加是否包含权重空中传输与模拟读出开销，其完整系统能耗如何核算？
• 该方案对无线频段、干扰和多用户并发的要求是什么，能否在已部署基础设施上直接运行？
• 混频器的模拟非理想性、温漂与器件差异会怎样影响长期推理稳定性？