摘要 — 机器学习方法在通信系统中无处不在,并且已被证明在包括射频 (RF) 指纹识别、自动调制分类和通信系统中的信号恢复在内的应用中非常有效。然而,通信链路的高吞吐量要求使得 AI 模型难以在边缘设备上实时实现。在这项工作中,我们通过改进算法和硬件来解决此问题,以实现通信系统中的实时 AI 处理。对于算法开发,我们提出了第一个紧凑的深度网络,该网络由硅光子递归神经网络模型与简化的卷积神经网络分类器相结合组成,以通过随机传输来识别 RF 发射器。我们的模型在使用比现有最先进的 CNN 分类器 (Merchant et al., 2018) 少 50 倍的训练参数的情况下,在一组 30 个相同的 ZigBee 设备上实现了 96.32% 的分类准确率。由于网络规模大幅缩减,我们使用小型 FPGA 板 PYNQ-Z1 模拟系统,并演示了延迟为 0.219 毫秒的实时 RF 指纹识别。此外,在硬件实现方面,我们进一步演示了用于光纤非线性补偿的全集成硅光子神经网络(Huang et al.,2021),可将接收信号提高 0.60 dB。
主要关键词