Tin sáng 03.06.2019: Học máy đáp ứng 5G không dây

03-06-2019

IDEAS+ - Học máy có thể lấy dữ liệu băng cơ sở được truyền và nhận và sử dụng kết quả để tối ưu hóa bộ mã hóa kênh không dây.

Kênh âm thanh của tín hiệu 5G bắt đầu từ nhiều năm trước với mục đích thu thập kiến ​​thức về cách tín hiệu 5G sẽ phản ứng trong môi trường thế giới thực. Từ những thí nghiệm đó, các kỹ sư đã phát triển các mô hình kênh. Tuy nhiên, Radio mới 5G phức tạp hơn nhiều so với LTE cho tín hiệu điều khiển chùm tia và tín hiệu mmWave. Do đó, việc phát triển các mô hình toán học và thích ứng chúng với modem đã trở nên khó khăn hơn rất nhiều với 5G. Các mô hình kênh rất quan trọng vì PHY không dây phải mã hóa, truyền, nhận và giải mã dữ liệu theo cách sao cho tốc độ lỗi bit (BER) ở mức thấp chấp nhận được. Trí tuệ nhân tạo (AI), dưới dạng học máy (ML), đang trở thành một công cụ để mô tả các kênh không dây trong miền kỹ thuật số.

Tại Hội nghị thượng đỉnh Brooklyn 5G năm 2019, Giáo sư Tim O'Shea từ Virginia Tech và Giáo sư Andrea Goldsmith từ Stanford đã trình bày công việc của họ khi họ sử dụng ML để mô tả toàn bộ chuỗi tín hiệu bao gồm bộ mã hóa, bộ giải mã và PHY không dây giữa chúng. Đó là, từ đầu ra ADC của một máy phát đến DAC tại một máy thu (Hình 1). O'Shea và những người khác đã thành lập một công ty có tên DeepSig và đã phát triển các sản phẩm sử dụng ML để mô tả kênh không dây.

Hình 1. Học máy có thể lấy dữ liệu băng cơ sở được truyền và nhận và sử dụng kết quả để tối ưu hóa bộ mã hóa kênh không dây.

Cả O'Shea và Goldsmith đều đã điều chỉnh ML từ các ứng dụng khác sang hệ thống không dây. O'Shea sử dụng các khái niệm được phát triển cho tầm nhìn trong khi Goldsmith điều chỉnh một khái niệm được sử dụng cho truyền thông phân tử.

Thông qua một thuật toán đào tạo, NN có thể tạo ra một mô hình của kênh dựa trên xác suất phát hiện chính xác một biểu tượng. Dữ liệu được đưa vào thuật toán ML có thể đến từ các phép đo kênh Dữ liệu của dữ liệu được thu thập trong phòng thí nghiệm hoặc trong trường học hoặc từ lý thuyết. Càng nhiều dữ liệu được cung cấp cho trình tối ưu hóa, nó càng có thể tìm hiểu và tạo ra các hệ số chính xác hơn. Kết quả là một tập hợp các trọng số (hệ số) sau đó có thể được tích hợp vào bộ mã hóa và giải mã modem di động.

Video bên dưới, từ bài thuyết trình Hội nghị thượng đỉnh Brooklyn 5G năm 2019 của O'Shea, mô tả cách thuật toán ML cải thiện sơ đồ chòm 4QAM. Bạn có thể thấy các cụm hội tụ khi thuật toán tìm hiểu các đặc điểm kênh và áp dụng kết quả cho bộ mã hóa và giải mã.

Công việc của bất kỳ máy thu truyền thông có dây hoặc không dây nào là phát hiện các biểu tượng truyền đi khi có nhiễu và méo tiếng. Trong giao tiếp kỹ thuật số, máy thu phải tạo lại các ký hiệu được truyền đại diện cho các bit. Để thực hiện phát hiện tín hiệu 5G mmWave, Goldsmith đã mô tả một kỹ thuật ML gọi là mạng thần kinh tái phát hai chiều trượt (SBRNN) mà cô và Nariman Farsad tại Stanford đã phát triển khi họ không thể tìm thấy thuật toán ML phù hợp để tối ưu hóa các kênh không dây.

Goldsmith cho biết kỹ thuật ML tạo ra kết quả tốt hơn so với sử dụng các thuật toán tối ưu hóa truyền thống như thuật toán Viterbi, ngoại trừ trong một số trường hợp nhất định.

 


Khang Nguyễn - IDEAS+ / EDN.VN


 

Content 1 mobi
Content 1
Content 2 mobi
Content 2
Content 9
Content 10
Content 11
Content 12
Content 13
Content 14