Naukowcy przedstawili radio-frequency convolutional neural networks (RF-CNN), które repurposują istniejący sprzęt radiowy w urządzeniach bezprzewodowych do uruchamiania głębokich sieci neuronowych. Zamiast dodawać dedykowane akceleratory sprzętowe - kosztowne i zwiększające wagę oraz pobór mocy - zespół znalazł sposób, aby miksery częstotliwości już obecne w każdym urządzeniu radiowym natywnie wykonywały operacje konwolucji w domenie częstotliwości. Wielokanałowe konwolucje są mapowane na tony częstotliwości, co pozwala biernemu miksberowi wykonać całość w jednym przejściu.
Eksperymenty wykazały, że RF-CNN potrafi obsługiwać sieci do 9 warstw i 26,4 milionów parametrów, osiągając wyniki zbliżone do pełnej precyzji w zadaniach takich jak klasyfikacja sygnałów bezprzewodowych, klasyfikacja obrazów czy kontrolowana generacja obrazów. Najbardziej imponujący aspekt to efektywność energetyczna - system wymaga jedynie 0,72 femtojouli na jedną operację multiply-accumulate, czyli dwa rzędy wielkości mniej niż tradycyjny procesor cyfrowy. Ponieważ wagi przychodzą przez powietrze, a sprzęt analogowy jest wspólny z komunikacją, urządzenie brzegowe wydaje energię tylko na przygotowanie danych i odczyt.
To podejście ma potencjał do transformacji obliczeń brzegowych na urządzeniach z ograniczonymi zasobami - smartfonach, urządzeniach przenośnych i dronach. Zamiast blokowować pasmo lub dodawać sprzęt, istniejąca infrastruktura radiowa mogłaby stanowić naturalny akcelerator AI, otwierając nowe możliwości dla prywatnych, niskoopóźnieniowych zastosowań AI na urządzeniach End-to-Edge.