מספר רב של טכנולוגיות מחשוב (MIMO) הפך אבן הפינה של תקשורת אלחוטית מודרנית, המאפשרת רווחים משמעותיים ביעילות ספקטרלית, אמינות קישורים ויכולת רשת כוללת. במערכות MIMO, הביצועים של beamforming, precoding, והתאמה מודולציה הסתגלות תלויה באופן ביקורתי ידע מדויק של מצב ערוץ אלחוטי.

תחזיות ערוץ MIMO

(ה) חיזוי ערוץ MIMO הוא המשימה של הערכת ערוץ העתיד (או תכונותיו הסטטיסטיות) המבוססת על רצף של הערכות ערוץ העבר.הערוץ בין משדר עם NIRFLT:0tigFLT:1 פיזור ופלט עם NFillorphue (ד') כולל אנטנות מרובות (RirFLT: LT: 7) ⁇ )

שיטות חיזוי קלאסי כוללות מודלים עבירים (AR), Kalman מסננים, ו-Wiener filters. גישות אלה מניחים דינמיקות ליניאריות וסטטיסטיקות נייחיות, אשר לעתים קרובות מופרו בתרחישים בעולם האמיתי.לדוגמה, ציוד משתמש נע במהירות בסביבה עירונית צפופה יוצר ערוץ לא-סטציונלי מאוד. ML מודלים, לעומת זאת, יכול ללמוד יחסים לא לינאריים, לא-סטרטיביים ישירות מהנתונים, מהפיפי יצירתם אטרקטיביים במיוחד עבור פריסה מציאותית.

טכניקות למידה מכונות עבור חיזוי ערוץ MIMO

למידת מכונה מציעה ערכת כלים עשירה לחיזוי ערוצים.בחירה של טכניקה תלויה בזמינות הנתונים, תקציב חישובי, אופק חיזוי הכרחי ומורכבות הסביבה. להלן אנו מפרטים את המשפחות המשפיעות ביותר של מודלים של ML, עם דגש על האדריכלות שלהם, גישות הכשרה, והתאמה עבור מערכות MIMO.

למידה עם מודלים של Yaow

למידה על-ידי סופר-ביקור יוצרת את הבסיס עבור צופים רבים של ערוצים.בהתחשב בנתוני של זוגות קלט- ⁇ - דגימות ערוץ קצה כמו קלט, דגימות ערוץ עתידי כפלט - המודל לומד פונקציה מיפוי.עבודה מוקדמת מועסקת בשיטות גרעין כגון תמיכה וסגנית ותגובה (SVR) ו- Gaussian תהליכים יכולים ללכוד לא לינאריות בינוניות אבל בעיות עם רמה גבוהה עם ערוצים MI-DMO לדוגמה, 4xive תהליכי חישובית (x4 × 4xive) , לעומת זאת, לעומת זאת, לעומת זאת, , קרינת חישובית 4.

גישה רדודה נוספת היא רשת עצבית להאכיל קדימה (FN) עם אחת או שתיים שכבות נסתרות ומספר מתון של נוירונים, FNs יכול להיות משוער פונקציות לא ליניאריות יותר מדרגיות מאשר שיטות גרעין.הם דורשים סדירות זהירה (דרופוט, ירידה במשקל) כדי למנוע התאמה יתר, במיוחד כאשר נתוני אימון מוגבלים.

רשתות נילי ו-LSTMs

עבור אופקים ארוכים יותר, רשתות עצביות חוזרות ונשנות (RNN) הן בחירה טבעית.RNNs לשמור על מצב חבוי שקודש מידע מצעדי זמן קודמים, המאפשר להם מודל temporal דינמיות. עם זאת, פשוט RNs סובלים מהזנחה ו- exploding ⁇ s, מה שהופך את זה קשה ללמוד תלות על פני הרבה צעדים ארוכים זיכרון (LS) עם חיזוי מידע זה הפך מנגנונים סטנדרטיים של מנגנונים של מנגנונים של מנגנונים של מנגנונים של תקנים.

בחיזוי ערוץ MIMO, LSTM לוקח קלט רצף של מדריכים הערוץ האחרונים (ננפח לתוך וקטורים) ופלטים ממטריקס עתידי צפוי.חוקרים הוכיחו כי LSTMs יכול לחזות במדויק ערוצים עבור תחזיות של 5 מ"ל-20 שניות ב תרחישים vehicular בתדירות של 2.6 GHz. לדוגמה, מחקר על ידי וואנג אל הציע LSTM-צפוי בדרך כלל 3 שכבות של מצופה).

LSTMs ויחידות חוזרות שערות (GRUs) הן גרסאות המציעות שינויים מסחריים שונים בין מורכבות וביצועים. GRUs יש פחות פרמטרים מאשר LSTMs ולכן מתאמנים מהר יותר, אבל יכול ללכוד מעט פחות זמן ההקשר. עבור יישומים בזמן אמת, GRUs הם לעתים קרובות מועדפים בשל עלות חישוב נמוכה יותר שלהם.

רשתות ערפיליות אבולוציה לתכונותספאטליות

ערוצים MIMO מציגים מבנה מרחבי חזק - הקורלציה בין אלמנטים אנטנה באה לידי ביטוי בטופולוגיה שניתן לנצל אותה.רשתות עצביות מהפכתיות (CNN) נועדו ללכוד את הקורלציה המקומית באמצעות שכבות מגובשות ומבריכות.בחיזוי ערוצים, CNN מוחלים בדרך כלל לאחר לעצב מחדש את ממת הערוץ לרשת 2D (עבור נוסחאות לינאריות אחידות) או 3D (עבור נוסחאות אחידות).

עם זאת, CNN הם לא מודלים רצף; הם מתייחסים בכל פעם צעד באופן עצמאי.לכן, הם לעתים קרובות משולבים עם שכבות חוזרות אדריכלות היברידית.לדוגמה, מודל CNN-LSTM משתמש ב- CNN כדי לחלץ תכונות מרחביות מכל ערוץ צילום, ולאחר מכן להאכיל את התכונות האלה לתוך LSTM כדי מודל temporal LS. , מודלים היברידיים כאלה הראו ביצועים מסיבי של MIMO חיזוי על ידי CMN.

שינויים ותשומת לב מכניזם

האדריכלות הרובוטריקרית, שפותחה במקור לעיבוד שפה טבעית, הוחלפה לאחרונה בחיזוי זמן.רובוטרים מסתמכים על מנגנונים של כוונות-עצמיות שמשקלו את החשיבות של שלבים שונים של זמן, המאפשר להם ללכוד תלות ארוכת טווח ללא צוואר בקבוק עיבוד של סקווט של RNs. בחיזוי ערוץ MIMO, קודר יכול לעבד את כל הרצף המקביל, מה שהופך את התפוקה מהירה יותר עבור שלבים (שלבים) הוא צעד אחר צעד אחר צעד).

תוצאות מוקדמות מראות כי Transformers יכולים לפורמול LSTMs עבור אופקים חיזוי ארוך מאוד (גדול מ 50 מ') ובערוצים לא-סטציונריים מאוד, כי מנגנון תשומת הלב יכול להשתתף ישירות למצבים קודמים רלוונטיים ללא קשר למרחק זמני.עם זאת, Transformers דורשים כמויות גדולות של נתוני הכשרה ויש להם מורכבות קוואדרטית ברצף, אשר יכול להיות אוסר על רצף ארוך.

Reinforcement Learning for Adaptiveחיזוי

בסביבות דינמיות, מודל החיזוי האופטימלי עשוי להשתנות עם הזמן. Reinforcement למידה (RL) מספק מסגרת להתאמה מקוונת. סוכן RL בוחר מודל חיזוי (או היפרפרמטרים) בכל שלב, מקבל משוב על חיזוי שגיאות, ומעדכן את מדיניותו למזער שגיאה מצטברת. גישה זו היא יעילה במיוחד כאשר הערוץ משתנה באופן פתאומי, כגון כאשר משתמש עובר משורה של ראיית קו (LOS) למצב לא-SLOS.

עמוק Q-networks (DQN) ושיטות מדיניות ⁇ כבר מיושם כדי ללמוד את הבחירה החיזוי הטוב ביותר.לדוגמה, סוכן יכול לבחור בין מודל AR מורכב נמוך במהלך הפיגור איטי ו LSTM במהלך הפיגור המהיר, להסתגל בזמן אמת.

העברה למידה ו- Meta-Learning

איסוף נתונים מתוייגים גדולים עבור כל סביבת פריסה חדשה הוא לא מעשי.עבר למידה מאפשר מודל לפני אימון נתונים מתסריט אחד (למשל, מאקרו פרברי) להיות מכוונן עם נתונים מוגבלים תרחיש יעד (למשל, מיקרו-תאים עירוניים) זה מקטין את דרישות המידע והזמן אימון.

לדוגמה, LSTM מומן יכול להתאים לתבנית ניידות חדשה לאחר שראה רק 10-20 מימושי ערוצים חדשים, בעוד אימון מאפס ידרוש אלפי.זה קריטי עבור רשתות 5G/6G שבו התנהגות המשתמש מגוונת ובלתי צפויה: קישור חיצוני: FLT:0Chen et al., "ל- למד עבור הסתגלות מהירה ב-MIMO חיזוי ערוץ, Transa V.R.R.F.R.R.R.R.R.R.R.R.R.F.R.R.R.T.T.T.R.T.T.T.T.T.T.T.T.T.T.T.A.R.R.R.R.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.T.R.R.R.R.T.T.R.R.T.T.T.T.T.A.T.T.A.A.A.T.T.T.A.T.T.T.T.T.T.T.A.A.T

יתרונות מרכזיים של Machine Learning Accesss

אימוץ ML עבור תחזית ערוץ MIMO מונע על ידי מספר יתרונות מוחשיים על שיטות מסורתיות:

  • (FLT:0) מודלים לא ליניאריים: מודלים 1 ML יכולים להיות פונקציות שרירותיות לא לינאריות, לכידת אינטראקציות מורכבות בין רכיבים רב-פתטיים, דופלר משתנה, ונרמולות אנטנה כי מודלים ליניאריים מתגעגעים.
  • (FLT:0) ,Adaptability: 1FLT:1 מודלים למידה עמוקה ניתן לפטור או לכוונון עדין כאשר הנתונים הסטטיסטיים של ערוץ משתנים, מבלי לדרוש עיצוב ידני של החיזוי.
  • (FLT:0) חיזוי רב-לשוני: 1 ערוצים MIMO הם מודלים של ML להתמודד עם קלט גדול ופלט ממדים בחסד, למידה משותפת מבנה ספירו-זמני.
  • (FLT:0) בזמן אמת אי-הקצ'ה: 1FLT:1hil מאומן, אי-השוויון ברשת עצבי ניתן להאיץ באמצעות GPUs או חומרה מיוחדת (FPGAs, ASICs), לעמוד בדרישות החדירה התת-מילולית של 5G ומעבר לכך.
  • (FLT:0) רובוטות ל-Imperfect CSI:cioFLT:1 , תחזיות ML מאומן עם הערכות ערוץ רועשות עדיין יכולות לייצר תחזיות מדויקות, בעוד שיטות המבוססות על מודלים מתפוגגות במהירות תחת רעש.

אתגרים ומגבלות

למרות ההבטחה שלהם, צופים בערוץ מבוסס ML עומדים בפני כמה מכשולים שיש לטפל בהם לפני הפריסה נרחבת:

דרישות למידה

מודלים למידה עמוקה, במיוחד Transformers ו LSTMs גדולים, דורשים כמויות מסיביות של נתונים מתוייגים. איסוף מדידות ערוץ בעולם האמיתי הוא יקר ו-Timeconsuming. Synthetic נתונים ממודלים ערוץיים או סטנדרטיים (3GPP, COST) יכול להשלים נתונים אמיתיים, אבל הפער התחום עלול לגרום להפחתה בביצועים בפריסה.

מורכבות

אימון מודלים המדינה-of-the-art דורש מחשוב ביצועים גבוהים.Forference, אפילו LSTM בגודל בינוני עשוי לדרוש מיליוני פעולות להכפלה-מצטברות לחיזוי, מאתגר ציוד משתמש המופעל על ידי סוללות.מודל טכניקות דחיסה - הפעלת, לכמת, הפלה, דילול ידע - הם אזורי מחקר פעילים כדי להפחית את המורכבות תוך שמירה על הדיוק.

כלליזציה ברחבי סקורסארי

מודל שהוכשר בלהקות תדר אחד, תצורת אנטנה או דפוס ניידות לעתים קרובות נכשל כאשר נבדקו בתנאים שונים.Overfitting להכשרה היא דאגה עיקרית של הסתגלות דומיין ושיטות הכללה התחום מפותחות כדי ליצור צופים חזקים יותר.

תחזית Horizon vs. Accuracy Trade-off

אופקים ארוכים יותר חיזויים בשפע סובלים מחוסר ודאות גבוה יותר.מודלים של ML יכולים להרחיב את האופק הצפוי מעבר למה ששיטות ליניאריות משיגות, אך מעבר לנקודה מסוימת (למשל, > 100 מ"מ עבור ניידות גבוהה), טיפות דיוק באופן חד. חלק מהחוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים חוקרים את החיזוי ההסתברותי (למשל, רשתות עצביות ביירסאניות) כדי לכמת אי ודאות, אשר ניתן להשתמש בו בתזמון של סיכון.

מגמות מחקר ודרכים לעתיד

התחום מתפתח במהירות.כמה כיוונים מרגשים צפויים לעצב את הדור הבא של תחזית ערוץ MIMO:

  • (FLT:0) אינטגרציה עם תאומים דיגיטליים: ⁇ 1) תאומים דיגיטליים של סביבות אלחוטיות (הכוללת ray-tracing ו בזמן אמת) יכולים לספק נתונים הכשרה גבוהה של נאמנות ומאפשרים עדכוני מודל רציף.
  • (FLT:0Graph Neural Networks (GNNsssteauFLT) 1 מייצג את ערוץ MIMO כגרף על אלמנטים אנטנה ופיזור עלול להוביל למודלים יעילים יותר ופיזיים יותר.
  • (FLT:0) למידה מוגברת: ערוץ הדרכה 1:1 צופה על פני תחנות בסיס מרובות ללא ריכוז נתונים גולמיים משמר פרטיות ומפחית את התקשורת מעל הראש.
  • (ה) [ה]ה-[דרוש מקור]] [ה]]: [ה] לא רק מצב הערוץ הבא אלא מסלול מלא לאורך מספר קשקשים (למשל, עבור הקצאת משאבים והחלטות יתר של יתר היד).
  • (FLT:0) Hardware-Aware Neural Networks:03:03:03: DesignLT:1) ארכיטקטורות שממפה ביעילות שבבים אלחוטיים קיימים, תוך שימוש במשקל בינארי או רשתות עצביות לעוצמה אולטרה-נמוכה.

מסקנה

למידת המכונה שינתה באופן יסודי את תחזית ערוץ MIMO, המציעה דיוק חסר תקדים, הסתגלות ועוצמה בהשוואה לשיטות עיבוד אותות קונבנציונליות.מ-SVRs רדודה ועד LSTMs עמוקים, CNN ו- Transformers, כל אדריכלות מביאה עוצמות ייחודיות שניתן להתאים למקרים ספציפיים של שימוש אלחוטית, הדרך לפריסה כרוכה באתגרים גוברים יותר במחסור בנתונים, עלות חישוביות, וכלליות, על מחקר מתמשך, תוך כדי העברת מודלים אלה, כמו גם על ידי למידה גבוהה יותר, כמו גם על ידי תאים גמישים, כמו גם על פני מערכת הפעלה אלחוטית גבוהה יותר, כמו גם על פני מערכת הפעלה יעילה יותר, כמו גם על פני מערכת למידה, כמו גם על פני מערכת הפעלה אלחוטית של תאים גמישה, כמו גם על פני מערכת הפעלה גמישה של תאים גמישה.