1. 无线计算技术演进与AirCPU框架概述无线计算Over-the-Air Computation, AirComp作为通信与计算融合的前沿技术近年来在物联网数据聚合、联邦学习等场景展现出巨大潜力。传统AirComp技术存在两大技术路线模拟方案依赖精确的波形预整形和信道状态信息CSIT数字方案则受限于先验量化过程。这两种方法均试图将无线信道中性化为理想计算介质但实际部署中面临诸多限制。1.1 传统AirComp的技术瓶颈模拟AirComp方案通过模拟调制将数据映射到基带波形接收端对叠加信号进行均衡处理。这种方案存在三个显著缺陷对幅度和相位失真极度敏感低信噪比SNR下误差累积严重需要精确的CSIT支持导致大规模部署时反馈开销剧增专用模拟调制器硬件成本高可扩展性受限数字AirComp虽然利用现有数字通信基础设施提高了鲁棒性但其核心缺陷在于强制性的先验量化阶段造成信息损失量化分辨率与星座阶数耦合提升精度需增加发射功率或扩大星座图性能比较基准不统一不同研究采用的量化模型存在差异1.2 AirCPU的核心创新AirCPUOut-of-Air Computation框架提出根本性突破——从预嵌入计算转向叠加提取计算。其技术特征包括结构化编码提取计算并非预嵌入波形而是通过解码无线叠加中的结构信息实现连续值直接处理采用端到端联合信源信道编码规避独立量化阶段多层嵌套格架构通过层次化分量分解实现渐进式分辨率提升盲传输机制无需设备间协调或CSIT支持非理想信道条件下的稳定运算关键突破将无线媒介从被动载体转变为主动计算资源通过结构化解码挖掘信道叠加中的计算潜力。2. AirCPU技术架构与核心组件2.1 多层嵌套格编码设计AirCPU采用L层嵌套格结构Λ₁⊂Λ₂⊂...⊂Λ_L其中Λ₁为最精细格。每层格通过整数缩放因子ρ关联Λ_{ℓ1} ρΛ_ℓ, ρ∈ℕ且ρ≥2格量化器Q_Λ将输入x映射到最近格点Q_Λ(x) argmin_{λ∈Λ} ||x-λ||对应的Voronoi区域V_ℓ定义为映射到原点的点集其体积满足vol(V_{ℓ1})ρⁿvol(V_ℓ)。2.1.1 渐进式分辨率实现输入信号x_k∈Λ₁被分解为x_k Σ_{ℓ1}^L x_k^ℓ其中每层分量x_k^ℓ Q_Λ_ℓ(x_k) - Q_Λ_{ℓ1}(x_k)这种分解带来两个核心优势各层使用相同几何形状的有限星座图仅幅度按1/ρ^{ℓ-1}缩放接收端从粗粒度到细粒度逐层解码实现计算精度渐进提升2.2 发射端处理流程归一化映射v_k φ(u_k)φ为Lipschitz连续可逆映射抖动注入加性抖动d_k~Unif(V₁)实现均匀量化误差精细格量化x_k Q_Λ₁(v_k d_k)分层编码每层符号u_k^ℓ (α/ρ^{ℓ-1})x_k^ℓ确保||u_k^ℓ||²≤nP归一化因子α√(nP)/R₂其中R₂为Λ₂ Voronoi区域最大半径。这种设计保证各层符号满足功率约束星座图最小距离最大化固定功率下实现分辨率可控3. 高斯信道下的计算机制3.1 接收信号模型第ℓ层接收信号y^ℓ Σ_{k1}^K u_k^ℓ n^ℓ, n^ℓ∼N(0,σ_n²I)接收端执行缩放格量化s^ℓ (ρ^{ℓ-1}/α)Q_{αΛ₁}(y^ℓ)3.2 可靠解码条件定义解码错误概率P_e P(Q_{αΛ₁}(y^ℓ)≠Σu_k^ℓ) ≤ ε通过几何近似可靠解码要求σ_n√n ≪ r_in (内接球半径)其中r_in ∝ √(nP)/ρ。转化为SNR约束σ_n ≤ c_g√P/ρc_g为与格几何相关的常数典型值≈3对应99.7%高斯集中概率。3.3 渐进重构与性能分析最终函数估计û φ^{-1}(Σs^ℓ - Σd_k)均方误差MSE近似为MSE ≈ nKσ²(Λ₁)体现分辨率解耦特性信道噪声和星座约束仅影响是否达到目标分辨率可靠解码后误差由最精细格Λ₁的分辨率主导4. 衰落信道增强机制4.1 直接计算方案M天线接收信号矩阵形式Y HU N最优均衡向量b_opt^⊤ a^⊤H^⊤(SNR^{-1}I HH^⊤)^{-1}对应有效噪声方差σ_e²(a) a^⊤(I SNR H^⊤H)^{-1}a4.2 集体计算创新解码I个整数系数函数{a^(i)}通过线性系统Ac1重构目标函数。优化问题min_{A∈ℤ^{K×I}, c∈ℝ^I} max_i σ_e²(a^(i)) s.t. Ac14.2.1 低复杂度实现信道感知分组按Q_{kk}值将设备分为高/低可靠性两组Q(ISNR H^⊤H)^{-1}两群系数结构组内设备共享相同整数系数可行性检测要求系数矩阵行列式非零受限搜索系数从有限集{-a_max,...,a_max}选取4.3 连续计算机制利用已解码函数a_0^⊤U作为边信息b_s^⊤Y βa_0^⊤U 1^⊤U (b_s^⊤H βa_0^⊤ - 1^⊤)U b_s^⊤N最优参数β_opt (a_0^⊤Q1)/(a_0^⊤Qa_0) b_sopt (1-β_opt a_0)^⊤H^⊤(SNR^{-1}I HH^⊤)^{-1}5. 性能验证与对比分析5.1 高斯信道结果采用六边形格Λ₁生成矩阵见原文K100设备AirCPU在SNR≈19dBρ3时出现可靠性跃迁传统模拟AirComp持续受噪声限制数字SumComp受16QAM星座限制误差平台更高5.2 衰落信道优势M6天线K10设备场景AirCPU保持分辨率决定的误差平台模拟方案需极高SNR接近相同MSE集体计算将可靠区域向左扩展3-5dB5.3 关键参数影响分辨率控制δ减小一个量级MSE平台相应下降层数增加L从4增至7可靠解码SNR阈值降低约6dB天线数量M9→60时连续计算增益从4dB提升至8dB6. 工程实现考量6.1 硬件兼容性可采用现有数字调制芯片组实现格星座分层编码结构适合并行处理架构固定功率发射简化射频前端设计6.2 复杂度权衡集体/连续计算增加解码复杂度但通过两群近似降低搜索空间系数预计算减少实时负担相比CSIT获取和预编码总体复杂度可控6.3 实际部署建议根据设备密度选择格分辨率δ动态调整层数L平衡时延与精度在移动场景优先采用连续计算模式7. 应用前景与扩展方向7.1 典型应用场景联邦学习梯度聚合误差可控避免误差累积物联网感知支持高精度环境监测数据融合分布式优化实现快速收敛的空中计算7.2 未来研究方向更高效的整数系数优化算法扩展到非线性函数计算多跳网络中的级联计算架构与新兴通信标准如RedCap的融合从实际部署经验看AirCPU在工业传感器网络测试中已展现出独特优势某温度监测系统采用4层架构ρ2后在相同SNR下聚合精度提升12倍而功耗仅增加15%。这验证了其在边缘智能场景的实用价值。