Искусственная нейронная сеть может улучшить беспроводную связь
- Исследователи используют методы, вдохновленные мозгом, для эффективного обнаружения сигналов на стороне получателя.
- Он основан на сети Echo State Network, которая обеспечивает высокую производительность при меньшем потреблении энергии.
Ученые всегда ищут более эффективную и надежную связь для всего, от мобильных телефонов и телевизоров до медицинских инструментов и спутников. Метод, который широко изучался, представляет собой методы с множеством входов и множеством выходов (MIMO) с мультиплексированием с ортогональным частотным разделением каналов (OFDM).
Он обеспечивает высокую пропускную способность и устойчивость к многолучевому замиранию. Однако эффективная конструкция приемника становится чрезвычайно сложной без эффективной схемы оценки канала. Таким образом, большинство проблем, с которыми сталкиваются такие системы, заключается в получении точной информации о состоянии канала.
Чтобы уменьшить эти проблемы и повысить энергоэффективность беспроводных приемников, исследователи из Технологического института Вирджинии используют вдохновленные мозгом методы машинного обучения. Это может сделать оценку канала избыточной и значительно повысить производительность там, где сложно установить соединение между входом и выходом системы.
Комбинация MIMO и OFDM позволяет сигналам перемещаться от передатчика к приемнику, используя несколько маршрутов одновременно. Одним из основных преимуществ использования этого метода является то, что он позволяет избежать замирания из-за многолучевого распространения и минимизировать помехи. Это дает несколько преимуществ технологиям 4G и 5G.
Однако для эффективной идентификации сигналов на стороне приемника и их кодирования в формате, понятном для устройств (например, мобильных телевизоров), требуется много вычислительных ресурсов и энергии. В этом случае искусственные нейронные сети могут в большей степени снизить неэффективность.
Ссылка:IEEE | Технологический институт Вирджинии
Вычисления и эффективность резервуаров
Обычно приемники выполняют оценку канала перед идентификацией передаваемых сигналов. С помощью искусственных нейронных сетей исследователи могут создать совершенно новую структуру, идентифицируя передаваемые сигналы на стороне получателя. Они называют эту платформу Резервуарными вычислениями (RC).
Он основан на уникальной архитектуре сети с эхосигналом, которая обеспечивает высокую производительность при меньшем потреблении энергии. Используя эту структуру, исследователи создали модель, способную продемонстрировать, как конкретный сигнал распространяется от передатчика к приемнику. Эта модель позволяет им установить прямую связь между вводом и выводом системы.
Поскольку нейронная сеть обучается без адаптивного обновления синаптических весов резервуара (внутренних слоев), она работает лучше с точки зрения сходимости обучения и сложности вычислений. Он может эффективно справляться с нелинейными искажениями от усилителя мощности в передатчике при низком потреблении энергии.
Читайте:Нейронные сети - будущее машинного перевода
Авторы сравнили эту технику с другими методами обучения и обнаружили, что их результаты были намного лучше (энергоэффективность) на стороне получателя.
Промышленные технологии
- Практические соображения - цифровая коммуникация
- Может ли производство стать беспроводным в мире 5G / Wi-Fi 6?
- Новое гибкое устройство может преобразовывать сигналы WiFi в электричество
- Новый ИИ для самоуправляемых транспортных средств может прогнозировать движение пешеходов
- Искусственный интеллект может предсказать болезнь Альцгеймера за 6 лет до постановки диагноза
- Искусственный интеллект может генерировать речь на основе нейронной активности
- Speedgate | Первый в мире вид спорта, изобретенный искусственным интеллектом
- ИИ может читать исследовательские статьи и предоставлять краткое содержание на английском языке
- Обучение большой нейронной сети, способной выделять 284 000 килограммов CO2
- ИИ может решить задачу трех тел в 100 миллионов раз быстрее