인공 신경망, 무선 통신 성능 향상

과학자들은 휴대전화와 텔레비전부터 의료 기기와 위성에 이르기까지 모든 것을 위해 더 효율적이고 신뢰할 수 있는 통신을 끊임없이 추구합니다. 광범위하게 연구된 기술은 직교 주파수 분할 다중화(OFDM)를 사용한 다중 입출력(MIMO) 방법입니다.

이는 높은 처리량 전송과 다중 경로 페이딩에 대한 강건성을 제공합니다. 그러나 효과적인 채널 추정 방식 없이는 효율적인 수신기 설계가 극도로 복잡해집니다. 따라서 이러한 시스템에서 직면하는 대부분의 문제는 정확한 채널 상태 정보를 얻는 데 있습니다.

무선 수신기의 에너지 효율을 높이고 이러한 문제를 줄이기 위해 버지니아 공대 연구자들은 뇌에서 영감을 받은 머신러닝 방법을 사용합니다. 이는 채널 추정을 불필요하게 만들고, 시스템 입력과 출력 간 연결을 설정하기 어려운 곳에서 성능을 크게 향상시킵니다.

MIMO와 OFDM의 조합은 신호가 송신기에서 수신기로 여러 경로를 동시에 사용해 이동할 수 있게 합니다. 이 기술의 주요 이점 중 하나는 다중 경로 페이딩을 피하면서 간섭을 최소화하는 것입니다. 이는 4G와 5G 기술에 여러 이점을 가져옵니다.

그러나 수신단에서 신호를 효율적으로 식별하고 모바일 텔레비전 같은 장치가 이해할 수 있는 형식으로 인코딩하려면 많은 계산 리소스와 에너지가 필요합니다. 이 경우 인공 신경망이 비효율을 크게 줄일 수 있습니다.

참조: IEEE | 버지니아 공대

저장소 컴퓨팅과 효율성

일반적으로 수신기는 전송된 신호를 식별하기 전에 채널 추정을 수행합니다. 인공 신경망의 도움으로 연구자들은 수신단에서 전송된 신호를 식별함으로써 완전히 새로운 프레임워크를 생성할 수 있습니다. 이를 저장소 컴퓨팅(RC)이라고 부릅니다.

이는 에코 상태 네트워크의 독특한 아키텍처를 기반으로 하며, 적은 에너지를 소비하면서 높은 성능을 제공합니다. 이 프레임워크를 사용해 연구자들은 특정 신호가 송신기에서 수신기로 어떻게 이동하는지 보여주는 모델을 만들었습니다. 이 모델은 시스템 입력과 출력 간의 직접적인 연결을 생성할 수 있게 합니다.

신경망이 저장소의 시냅스 가중치(내부 레이어)를 적응적으로 업데이트하지 않고 훈련되므로, 훈련 수렴과 계산 복잡성 측면에서 더 나은 성능을 보입니다. 송신단 전력 증폭기의 비선형 왜곡을 효과적으로 처리하면서 낮은 에너지를 소비합니다.

참고: 신경망은 기계 번역의 미래

저자들은 이 기술을 다른 훈련 방법들과 비교했고, 수신단에서 그들의 결과가 훨씬 더 나은(에너지 효율적) 것임을 발견했습니다.