Künstliches neuronales Netzwerk kann die drahtlose Kommunikation verbessern

• Forscher verwenden vom Gehirn inspirierte Methoden, um die Signale am Ende des Empfängers effektiv zu erkennen.
• Es basiert auf dem Echo State Network, das eine hohe Leistung bietet und gleichzeitig weniger Energie verbraucht.

Wissenschaftler suchen ständig nach einer effizienteren und zuverlässigeren Kommunikation, von Mobiltelefonen und Fernsehern bis hin zu medizinischen Instrumenten und Satelliten. Die umfassend untersuchte Technik sind Multiple-Input-Multiple-Output-(MIMO)-Verfahren mit orthogonalem Frequenzmultiplex (OFDM).

Es bietet eine Übertragung mit hohem Durchsatz und Robustheit gegenüber Multipath-Fading. Ein effizientes Empfängerdesign wird jedoch ohne ein effektives Kanalschätzungsschema extrem komplex. Daher liegen die meisten Probleme bei solchen Systemen darin, genaue Kanalzustandsinformationen zu erhalten.

Um diese Probleme zu reduzieren und die Energieeffizienz von drahtlosen Empfängern zu erhöhen, verwenden Forscher der Virginia Tech vom Gehirn inspirierte Methoden des maschinellen Lernens. Es kann die Kanalschätzung überflüssig machen und die Leistung dort erheblich verbessern, wo es schwierig ist, eine Verbindung zwischen Eingang und Ausgang des Systems herzustellen.

Die Kombination von MIMO und OFDM ermöglicht, dass Signale über mehrere Routen gleichzeitig vom Sender zum Empfänger gelangen. Einer der Hauptvorteile dieser Technik besteht darin, dass Mehrwege-Fading vermieden und gleichzeitig Interferenzen minimiert werden. Dies bringt der 4G- und 5G-Technologie mehrere Vorteile.

Die effiziente Identifizierung der Signale auf der Empfängerseite und deren Codierung in ein Format, das von Geräten (wie mobilen Fernsehern) verstanden werden kann, erfordert jedoch viel Rechenressourcen und Energie. In diesem Fall können künstliche neuronale Netze die Ineffizienz stärker reduzieren.

Referenz:IEEE | Virginia Tech

Reservoir Computing und Effizienz

Normalerweise führen Empfänger eine Kanalschätzung durch, bevor sie die übertragenen Signale identifizieren. Mithilfe künstlicher neuronaler Netze können Forscher einen ganz neuen Rahmen generieren, indem sie gesendete Signale auf der Empfängerseite identifizieren. Sie nennen dieses Framework Reservoir Computing (RC).

Es basiert auf einer einzigartigen Architektur des Echo-State-Netzwerks, das eine hohe Leistung bei geringerem Energieverbrauch bietet. Unter Verwendung dieses Rahmens erstellten die Forscher ein Modell, das in der Lage ist, zu demonstrieren, wie ein bestimmtes Signal von einem Sender zu einem Empfänger wandert. Dieses Modell ermöglicht es ihnen, eine direkte Verbindung zwischen dem Eingang und Ausgang des Systems herzustellen.

Da das neuronale Netz trainiert wird, ohne die synaptischen Gewichte des Reservoirs (innere Schichten) adaptiv zu aktualisieren, schneidet es in Bezug auf Trainingskonvergenz und Rechenkomplexität besser ab. Es kann nichtlineare Verzerrungen von Leistungsverstärkern am Sender effektiv verarbeiten und verbraucht dabei wenig Energie.

Lesen Sie:Neuronale Netze sind die Zukunft der maschinellen Übersetzung

Die Autoren haben diese Technik mit anderen Trainingsmethoden verglichen und festgestellt, dass ihre Ergebnisse beim Empfänger viel besser (energieeffizient) waren.