인공 신경망은 무선 통신을 향상시킬 수 있습니다

• 연구원은 뇌에서 영감을 받은 방법을 사용하여 수신기 끝에서 신호를 효과적으로 감지합니다.
• 더 적은 에너지를 소비하면서 고성능을 제공하는 Echo State Network를 기반으로 합니다.

과학자들은 휴대전화와 텔레비전에서 의료 기기와 위성에 이르기까지 모든 분야에서 항상 보다 효율적이고 안정적인 통신을 추구하고 있습니다. 광범위하게 연구된 기술은 OFDM(직교 주파수 분할 다중화)을 사용하는 MIMO(다중 입력 다중 출력) 방법입니다.

고처리량 전송과 다중 경로 페이딩에 대한 견고성을 제공합니다. 그러나 효율적인 수신기 설계는 효과적인 채널 추정 방식 없이는 극도로 복잡해집니다. 따라서 이러한 시스템에서 직면하는 대부분의 문제는 정확한 채널 상태 정보를 얻는 데 있습니다.

이러한 문제를 줄이고 무선 수신기의 에너지 효율성을 높이기 위해 버지니아 공대의 연구원은 뇌에서 영감을 받은 기계 학습 방법을 사용하고 있습니다. 시스템의 입력과 출력을 연결하기 어려운 경우 채널 추정을 중복으로 만들고 성능을 크게 향상시킬 수 있습니다.

MIMO와 OFDM을 결합하면 여러 경로를 사용하여 동시에 신호를 송신기에서 수신기로 이동할 수 있습니다. 이 기술을 사용할 때의 주요 이점 중 하나는 간섭을 최소화하면서 다중 경로 페이딩을 방지한다는 것입니다. 이는 4G 및 5G 기술에 몇 가지 이점을 제공합니다.

그러나 수신기 측에서 신호를 효율적으로 식별하고 장치(예:모바일 텔레비전)에서 이해할 수 있는 형식으로 인코딩하려면 많은 계산 리소스와 에너지가 필요합니다. 이 경우 인공 신경망은 비효율을 더 크게 줄일 수 있습니다.

참조:IEEE | 버지니아 공대

저장소 컴퓨팅 및 효율성

일반적으로 수신기는 전송된 신호를 식별하기 전에 채널 추정을 수행합니다. 인공 신경망의 도움으로 연구자들은 수신기 측에서 전송된 신호를 식별하여 완전히 새로운 프레임워크를 생성할 수 있습니다. 그들은 이 프레임워크를 RC(Reservoir Computing)라고 부릅니다.

에코 상태 네트워크의 고유한 아키텍처를 기반으로 하며 에너지를 덜 소비하면서 고성능을 제공합니다. 이 프레임워크를 사용하여 연구원들은 특정 신호가 송신기에서 수신기로 이동하는 방법을 시연할 수 있는 모델을 만들었습니다. 이 모델을 통해 시스템의 입력과 출력 사이에 직접적인 연결을 생성할 수 있습니다.

신경망은 저수지의 시냅스 가중치(내부 레이어)를 적응적으로 업데이트하지 않고 훈련되기 때문에 훈련 수렴 및 계산 복잡성 측면에서 더 나은 성능을 보입니다. 낮은 에너지를 소비하면서 송신기에서 전력 증폭기의 비선형 왜곡을 효과적으로 처리할 수 있습니다.

읽기:신경망은 기계 번역의 미래입니다

저자는 이 기술을 다른 훈련 방법과 비교했으며 수신자 측에서 결과가 훨씬 더 우수함(에너지 효율)을 발견했습니다.