Forskere bruger hjerneinspirerede metoder til at forbedre trådløs kommunikation

Forskere søger altid mere pålidelig og mere effektiv kommunikation, til alt fra fjernsyn og mobiltelefoner til satellitter og medicinsk udstyr.

En teknik, der genererer buzz for dens høje signalkvalitet, er en kombination af multiple-input multiple-output-teknikker med ortogonal frekvensdelingsmultipleksing.

Virginia Tech-forskerne Lingjia Liu og Yang (Cindy) Yi bruger hjerneinspirerede maskinlæringsteknikker til at øge energieffektiviteten af ​​trådløse modtagere.

Deres offentliggjorte resultater, "Realisering af registrering af grønt symbol via reservoir-computing:Et energieffektivitetsperspektiv, "modtog prisen for bedste papir fra IEEE-transmissionen, Adgang, og Teknisk Udvalg for Optiske Systemer.

Liu og Yi, lektorer og adjunkter i Bradley Department of Electrical and Computer Engineering, sammen med Lius ph.d. studerende Rubayet Shafin, samarbejder med forskere fra informationsdirektoratet for U.S. Air Force Research Laboratory - Jonathan Ashdown, John Matyjas, Michael Medley, og Bryant Wysocki.

Denne kombination af teknikker gør det muligt for signaler at rejse fra sender til modtager ved hjælp af flere veje på samme tid. Teknikken byder på minimal interferens og giver en iboende fordel i forhold til enklere stier for at undgå flervejs fading, hvilket mærkbart forvrænger det, du ser, når du ser fjernsyn på en stormfuld dag, for eksempel.

"En kombination af teknikker og frekvens giver mange fordele og er den vigtigste radioadgangsteknologi til 4G- og 5G-netværk, " sagde Liu. "Men, korrekt detektering af signalerne ved modtageren og omdanne dem tilbage til noget, din enhed forstår, kan kræve en masse beregningsindsats, og derfor energi."

Liu og Yi bruger kunstige neurale netværk - computersystemer inspireret af hjernens indre funktion - for at minimere ineffektiviteten. "Traditionelt modtageren vil foretage kanalstimering, før den detekterer de transmitterede signaler, " sagde Yi. "Ved brug af kunstige neurale netværk, vi kan skabe en helt ny ramme ved at detektere transmitterede signaler direkte på modtageren."

Denne tilgang "kan forbedre systemets ydeevne betydeligt, når det er svært at modellere kanalen, eller når det måske ikke er muligt at etablere en ligetil relation mellem input og output, " sagde Matyjas, den tekniske rådgiver for AFRL's Computing and Communications Division og en Air Force Research Laboratory Fellow.

Reservoir Computing

Holdet har foreslået en metode til at træne det kunstige neurale netværk til at fungere mere effektivt på et sender-modtager-par ved hjælp af en ramme kaldet reservoir computing - specifikt en speciel arkitektur kaldet echo state network (ESN). Et ESN er en slags tilbagevendende neuralt netværk, der kombinerer høj ydeevne med lav energi.

"Denne strategi giver os mulighed for at skabe en model, der beskriver, hvordan et specifikt signal forplanter sig fra en sender til en modtager, gør det muligt at etablere et ligetil forhold mellem input og output fra systemet, " sagde Wysocki, chefingeniøren i Air Force Research Laboratory Information Directorate.

Test af effektiviteten

Liu, Yi, og deres AFRL -samarbejdspartnere sammenlignede deres fund med resultater fra mere etablerede uddannelsesmetoder - og fandt ud af, at deres resultater var mere effektive, især på modtagersiden.

"Simulering og numeriske resultater viste, at ESN kan give betydeligt bedre ydeevne med hensyn til beregningsmæssig kompleksitet og træningskonvergens, "sagde Liu." Sammenlignet med andre metoder, dette kan betragtes som en "grøn" mulighed."