Искусственные нейронные сети повышают производительность беспроводной связи

• Исследователи используют мозг-вдохновленные методы для эффективного обнаружения сигналов на конце приемника.
• Это основано на Echo State Network, которая предлагает высокую производительность при меньшем потреблении энергии.

Ученые всегда ищут более эффективные и надежные коммуникации, для всего — от мобильных телефонов и телевизоров до медицинских приборов и спутников. Техника, изученная обширно, — методы multiple-input multiple-output (MIMO) с ортогональным частотным разделением мультиплексирования (OFDM).

Она предлагает высокую пропускную способность передачи и робастность против многолучевого замирания. Однако эффективный дизайн приемника становится крайне сложным без эффективной схемы оценки канала. Таким образом, большинство проблем, с которыми сталкиваются такие системы, лежат в получении точной информации о состоянии канала.

Для снижения этих проблем и повышения энергоэффективности беспроводных приемников исследователи из Virginia Tech используют мозг-вдохновленные методы машинного обучения. Это может сделать избыточной оценку канала и значительно улучшить производительность там, где трудно установить связь между входом и выходом системы.

Комбинация MIMO и OFDM позволяет сигналам перемещаться от передатчика к приемнику, используя несколько маршрутов одновременно. Одно из главных преимуществ использования этой техники — она избегает многолучевое замирание, минимизируя интерференции. Это приносит несколько преимуществ для технологий 4G и 5G.

Однако эффективная идентификация сигналов на конце приемника и их кодирование в формат, понятный устройствам (вроде мобильных телевизоров), требует много вычислительных ресурсов и энергии. В этом случае искусственные нейронные сети могут снизить неэффективность в гораздо большей степени.

Источник: IEEE | Virginia Tech

Резервуарные вычисления и эффективность

Обычно приемники выполняют оценку канала перед идентификацией переданных сигналов. С помощью искусственных нейронных сетей исследователи могут сгенерировать совершенно новый фреймворк, идентифицируя переданные сигналы на конце приемника. Они называют этот фреймворк Reservoir Computing (RC).

Он основан на уникальной архитектуре сети эхо-состояний, которая предлагает высокую производительность при меньшем потреблении энергии. Используя этот фреймворк, исследователи сделали модель, способную демонстрировать, как конкретный сигнал путешествует от передатчика к приемнику. Эта модель позволяет им создать прямое соединение между входом и выходом системы.

Поскольку нейронная сеть обучается без адаптивного обновления синаптических весов резервуара (внутренних слоев), она выполняется лучше в терминах сходимости обучения и вычислительной сложности. Она может эффективно обрабатывать нелинейные искажения от усилителя мощности на передатчике при потреблении низкой энергии.

Читайте также: Нейронные сети — будущее машинного перевода

Авторы сравнили эту технику с другими методами обучения и обнаружили, что их результаты были гораздо лучше (энергоэффективны) на конце приемника.