Künstliche Neuronale Netze steigern Wireless-Kommunikationsleistung

• Forscher nutzen gehirninspirierte Methoden zur effektiven Signalerkennung am Empfängerende.
• Basiert auf Echo State Network mit hoher Performance bei geringerem Energieverbrauch.

Wissenschaftler suchen stets effizientere, zuverlässigere Kommunikation – von Mobiltelefonen und Fernsehern bis zu Medizininstrumenten und Satelliten. Ausführlich untersucht: Multiple-Input Multiple-Output (MIMO) mit Orthogonal Frequency Division Multiplexing (OFDM).

Es bietet hohen Durchsatz und Robustheit gegen Multipath-Fading. Doch effizientes Empfängerdesign wird extrem komplex ohne effektives Kanalschätzungsschema. Die meisten Probleme solcher Systeme liegen in präziser Channel State Information.

Zur Problemreduktion und Energieeffizienzsteigerung drahtloser Empfänger nutzen Virginia Tech Forscher gehirninspirierte ML-Methoden. Sie machen Kanalschätzung überflüssig und steigern Performance signifikant, wo Input-Output-Verbindung schwer herstellbar ist.

MIMO-OFDM-Kombination ermöglicht Signalübertragung vom Sender zum Empfänger über mehrere Routen gleichzeitig. Hauptvorteil: Vermeidet Multipath-Fading bei Minimierung von Interferenzen. Vorteile für 4G und 5G.

Doch effiziente Signalidentifikation am Empfänger und Kodierung in geräteverständliches Format (Mobile, TV) erfordert viel Rechenressourcen und Energie. Hier können künstliche neuronale Netze Ineffizienz stark reduzieren.

Referenz: IEEE | Virginia Tech

Reservoir Computing und Effizienz

Normalerweise führen Empfänger Kanalschätzung vor Signalidentifikation durch. Mit künstlichen neuronalen Netzen können Forscher neues Framework durch Signalidentifikation am Empfänger generieren: Reservoir Computing (RC).

Basiert auf einzigartiger Echo-State-Network-Architektur mit hoher Performance bei niedrigem Energieverbrauch. Damit erstellten sie Modell, das demonstriert, wie ein Signal vom Sender zum Empfänger läuft. Erlaubt direkte Verbindung zwischen System-Input und -Output.

Da neuronales Netz ohne adaptives Aktualisieren der Reservoir-Synapsengewichte (innere Layer) trainiert wird, performt es besser bei Trainingskonvergenz und Rechenkomplexität. Es handhabt nichtlineare Verzerrungen vom Leistungsverstärker am Sender effektiv bei niedrigem Energieverbrauch.

Weiterlesen: Neuronale Netze sind die Zukunft der maschinellen Übersetzung

Autoren verglichen Technik mit anderen Trainingsmethoden: Ihre Ergebnisse waren am Empfängerende weit besser (energieeffizienter).