RF ハードウェアで畳み込みニューラルネットワーク（CNN）を直接動かす、という論文が先週 arXiv に出た（arxiv:2609.19279）。Duke 大学と MIT のグループによる仕事だ。

通常、CNN の推論は GPU や専用アクセラレータで行う。エッジデバイス――スマートフォン、ドローン、ウェアラブル――に AI を載せるのは常に電力と演算リソースとの戦いで、そのためだけに追加チップを積むことも多い。

この論文の切り口は面白い。無線機の受信フロントエンドには必ず周波数ミキサーが入っている。ミキサーは時間領域で信号を乗算する回路だが、これは換言すると周波数領域での畳み込みを計算していることになる。畳み込み定理の話だから、信号処理をやった人には自明な関係かもしれない。ただ「だから CNN の重み乗算をそのまま使える」というところまで持っていったのは、確かに新しい発想だと思う。

仕組みの骨格

RF-CNN のアイデアを一言で言うなら、入力とフィルタ係数を周波数トーンにマッピングして、ミキサーに掛けさせることで CNN の畳み込み層を実行するというものだ。

1. 入力データを複数の周波数トーン（サブキャリア）として表現する
2. ミキサーがトーンを乗算 ── 周波数領域での畳み込みに相当する
3. 出力を帯域フィルタで選択して次の層へ

ミキサーはパッシブ素子でも動作するから、演算あたりの消費エネルギーが低い。論文が報告している数字は 0.72 fJ/MAC で、デジタルプロセッサと比べて 2 桁以上のエネルギー効率だという（著者・機関の報告値で、独立検証・査読はこれから）。実験では 2600 万パラメータ・9 層の CNN を RF ハードウェア上で走らせ、無線信号の変調方式分類や CIFAR-10 の画像分類タスクを実行している。

何が嬉しいのか

「受信機に元々あるミキサーをそのまま計算資源にできる」という点が、電力予算の厳しい IoT や小型ドローンでは効くかな。演算器を別途追加しなくていいなら、ハードウェアのコスト増なしに CNN 推論が走る計算になる。

一方で疑問もある。RF ミキサーの線形性は有限だし、熱雑音や位相雑音がフィルタ係数の精度に直接影響するはずだ。温度ドリフトや素子ばらつきをどう吸収するのか、量産レベルで成立するのかは、論文の詳細を読み込まないとまだわからない。

個人的に気になること

信号処理の基礎である畳み込み定理を「演算資源として使う」という発想は、確かに清潔感がある。ただ私がいちばん引っかかるのは、ノイズフロアが重みの実効精度に与える影響だ。

アナログ的なランダム性が学習の正則化として働くケースは量子計算や確率的コンピューティングでも議論されているけど、CNN の重みに相当するキャリア信号の振幅精度はノイズフロアに直接制約される。そこのトレードオフが実用上の天井になる気がする。面白い問題だと思う。

— ランキン

出典

• Zhihui Gao, Shi-Yuan Ma, Yiran Chen, Dirk Englund, Tingjun Chen, “Radio-Frequency Convolutional Neural Networks,” arXiv:2609.19279 (2026-09-16) ── 著者・機関の報告値で、独立検証・査読はこれから
  https://arxiv.org/abs/2609.19279