Kunstmatig neuraal netwerk kan draadloze communicatie verbeteren

• Onderzoekers gebruiken hersengeïnspireerde methoden om de signalen aan het einde van de ontvanger effectief te detecteren.
• Het is gebaseerd op het Echo State Network dat hoge prestaties biedt en minder energie verbruikt.

Wetenschappers zijn altijd op zoek naar efficiëntere en betrouwbaardere communicatie, voor alles van mobiele telefoons en televisies tot medische instrumenten en satellieten. De techniek die uitgebreid is bestudeerd, is multiple-input multiple-output (MIMO) methoden met orthogonal frequency division multiplexing (OFDM).

Het biedt transmissie met hoge doorvoer en robuustheid tegen vervaging over meerdere paden. Een efficiënt ontvangerontwerp wordt echter extreem complex zonder een effectief kanaalschattingsschema. De meeste problemen waarmee dergelijke systemen worden geconfronteerd, liggen dus in het verkrijgen van nauwkeurige informatie over de kanaalstatus.

Om deze problemen te verminderen en de energie-efficiëntie van draadloze ontvangers te verhogen, gebruiken onderzoekers van Virginia Tech op de hersenen geïnspireerde machine learning-methoden. Het kan de kanaalschatting overbodig maken en de prestaties aanzienlijk verbeteren waar het moeilijk is om een ​​verbinding tot stand te brengen tussen de invoer en uitvoer van het systeem.

Door de combinatie van MIMO en OFDM kunnen signalen via meerdere routes tegelijk van zender naar ontvanger gaan. Een van de belangrijkste voordelen van het gebruik van deze techniek is dat multipath-fading wordt vermeden en interferentie wordt geminimaliseerd. Dit brengt verschillende voordelen met zich mee voor 4G- en 5G-technologie.

Het efficiënt identificeren van de signalen aan het einde van de ontvanger en het coderen ervan in het formaat dat kan worden begrepen door apparaten (zoals mobiele televisies) vereist echter veel rekenkracht en energie. In dit geval kunnen kunstmatige neurale netwerken de inefficiëntie in grotere mate verminderen.

Referentie:IEEE | Virginia Tech

Reservoir computing en efficiëntie

Meestal voeren ontvangers een kanaalschatting uit voordat ze de verzonden signalen identificeren. Met behulp van kunstmatige neurale netwerken kunnen onderzoekers een geheel nieuw raamwerk genereren door verzonden signalen aan het einde van de ontvanger te identificeren. Ze noemen dit framework Reservoir Computing (RC).

Het is gebaseerd op een unieke architectuur van het echo-state-netwerk, dat hoge prestaties biedt en minder energie verbruikt. Met behulp van dit raamwerk hebben onderzoekers een model gemaakt dat kan aantonen hoe een bepaald signaal van een zender naar een ontvanger gaat. Met dit model kunnen ze een directe verbinding maken tussen de invoer en uitvoer van het systeem.

Omdat het neurale netwerk wordt getraind zonder de synaptische gewichten (binnenlagen) van het reservoir adaptief bij te werken, presteert het beter in termen van trainingsconvergentie en computationele complexiteit. Het kan effectief omgaan met niet-lineaire vervormingen van de eindversterker bij de zender terwijl het weinig energie verbruikt.

Lezen:Neurale netwerken zijn de toekomst van machinevertaling

De auteurs hebben deze techniek vergeleken met andere trainingsmethoden en ontdekten dat de resultaten bij de ontvanger veel beter (energiezuinig) waren.