השימוש בלימוד מכונה בחירת קרן דינמית ברשתות מימו

בחירת דינמיקה באם ב-MIMO Networks

מספר רב של טכנולוגיות מחשוב מרובות (MIMO) הוא אבן הפינה של מערכות תקשורת אלחוטיות מודרניות, מ-Wi-Fi ל- 4G LTE ו- 5G רדיו חדש (NR) על ידי פריסת אנטנה מרובות הן המשדר והן המקלט, מערכות MIMO יכולות לשדר מספר זרמי נתונים מרחביים בו זמנית, הגדלת יעילות ספקטרלית וקיבולת הרשת.

שיטות בחירה מסורתיות של דבורים מסתמכות על ספרי קוד מוגדרים מראש, חיפוש ממצה על כל זוגות באם, או אלגוריתמים היררניים הנוטים או לאט משתנים.גישות אלה נאבקות כדי לעמוד בקצב השינויים המהירים שנראו בלהקות גבוהות (למשל, מילימטר גלי גלי ו sub-THz) בשימוש על ידי 5G ומעבר לכך, שבו רוחבי הם צרים ומציאותיים הכרחיים (למשל, שיטות למידה דינמית) כדי להיות מרשימות על ידי שיטות מחקר דינמיות ביותר, כלומר, כלומר, כלומר, כלומר, כדי לצפות את התכונות הטובות ביותר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כדי לצפות שרשתות למידה אלגוריתמיות על ידי מערכות מחקר אלקטרוניות ביותר, כדי לצפות, כדי לצפות בטכניקות למידה אלגוריתמיות ביותר, כלומר, כדי לצפות, כדי לצפות בטכניקות מחקר אלקטרוניות, כדי לצפות, כדי לצפות, כלומר, כלומר, כדי לצפות, שיטות מחקר אלגוריתמיות ביותר, כדי לצפות בטכניקות מחקר אלגוריתמיות ביותר, כדי לצפות בטכניקות למידה מאובטחות, הן שיטות מחקר אלגוריתמיות ביותר, כדי לצפות, כדי לצפות, ללא מידע חזותיות, כלומר, כלומר, 000 שיטות מחקר אלגוריתמיות, החלות, החלות ביותר, החלמותק, כלומר, כלומר,

הבנת בחירת באם ברשתות MIMO

בחירת Beam היא הבעיה של בחירה, מקבוצה סופית של כיוונים שידור אפשריים, קרן (או שילוב של דבורים) הממקסימה כמה אובייקטיבי, כגון יחס אות-ל-מעבר-היתר-אין (SINR), דרךput, או כיסוי. בפועל, מערכות MIMO משתמשות ב- beamforming-טכניקה סינון מרחבית שמתאים את השלב ו ampude של אותות בכל אחד מהם הוא לעתים קרובות להגדיר קוד אנטה.

בחירת ההרחבה: CodeBook Based Beam Selection

בתחילת תקני MIMO (למשל, LTE), בחירת קרן הייתה קוהרזה יחסית, עם ספרי קוד קטנים (4-8 beams) ציוד המשתמש (UE) ותחנת הבסיס (gNB) היה מודד אותות התייחסות המועברים עם דבורים שונות לדווח על המדד הטוב ביותר (שלב זה, הנקרא טאטא, מציג מעל פני פרופורציה למספר של beams in 5G, 000) הם קוד ראשוני עבור כל מיני תיבות של פחות מ"ג'יגה-2 (חלק) ו- גלקסיות).

עקבו אחרי Beam Tracking

כדי להפחית את שיטות המעקב של השדות ההסתגלות להשתמש מדידות העבר כדי לחזות מתי ואיך להתאים את הדבורים. לדוגמה, קרן טאטארית משתמשת קרן coarse כדי לצמצם את הכיוון, ולאחר מכן טונים בסדר בתוך המגזר הזה.עם זאת, אפילו שיטות אלה מסתמכות על החלפת כללים קבועים ולא יכול בקלות לנצל temporal או מרחביים מורכבים בערוץ.

תפקיד Machine Learning ב- Dynamic Beam Selection

מודלים של למידת מכונות יכולים לעבד מידע מצב ערוץ גולמי (CSI), כגון אינדיקטורים של כוח אות (RSSI), תגובות דחף ערוץ, או אפילו ערכי יסוד אנטנה, כדי להפיק ישירות את מדד ה-Beam הטוב ביותר או התפלגות הסתברות על פני דבורים. בניגוד לאלגוריתמים מסורתיים שעוקבים אחר לוגיקה קודרת, מודלים של ML לומדים מהנתונים כדי ללכוד מערכות יחסים לא ליניאריות ולהתאים לסביבות משתנות ללא שינוי מפורש.

מדוע שיטות מסורתיות נופלות קצרות

בחירה מסורתית beam לעתים קרובות מסתמכת על חיפוש ממצה או סף תיירותי פשוט.שיטות אלה הן תת-אופטימיות בתרחישים עם ניידות גבוהה של משתמשים, ערוצים מתפתלים במהירות, או פריסות צפופות עם הפרעה חזקה.לדוגמה, במערכות גלי מילימטר, הדבורה האופטימלית יכולה לשנות כל כמה מילימטריים עקב חסימת אדם או סיבוב של מכשיר.

טכניקות למידה מכונות עבור Beam Selection

למידה סופר-מעודכן

תכונות למידה סופר-מעקביות בחירה כבעיה סיווג או תוקפנות.תכונות קלט נגזרות ממדידות CSI (למשל, צילום של קידוד ערוצים או מקבל סמכויות על תת-קבוצה של דבורים) התווית הן את הדבורים האופטימליות שנקבעו על ידי טאטא ממצה בזמן אימון.מסווג כגון רשת עצבית עמוקה (DN) יוצר כדי למזער תווית חוצה-יתר שניתן להצטיין, אך ניתן לצפות על ידי גישה מוגבלת גבוהה.

Reinforcement Learning (RL)

למידה של חיזוק היא אטרקטיבית במיוחד עבור בחירת קרן דינמי כי זה לא דורש תוויות מפורשות; במקום זאת, הסוכן לומד באמצעות אינטראקציות עם הסביבה.המדינה כוללת מדידות באם בעבר, הקשר למשתמש, וזמן; פעולות תואמים לבחירות באם; ותגמולים הם מדדים כמו באמצעות חישוב או אלגוריתמים מצביעים (DQ-learning) יש צורך באופן קבוע או עמוק Q- Q-networks (DQ), למידה של מדיניות חדשה, אשר יש צורך במושגים (D) אשר יש צורך במושגים של זמן (מדיניות מתאימה (reative) וניצול (reatives) אשר יש צורך במושגים של מערכת הפעלה מחדש של עיבוד (reatives) וניצול (reatives) על פני מערכת יעילה) על פני מערכת יעילה (reatives) וניצול (reatives) וניצול (reatives) על פני מערכת יעילה (reatives) על פני מערכת הפעלה (reatives) אשר יש צורך בקריטריונים (reatives) ו-reatives (reatives (reatives (reatives) ו-reatives (reatives) אשר יש צורך גם על ידי אופטימיזציה של אלגוריתמים של אלגוריתמים (reatives) אשר יש צורך גם אלגוריתמים (

למידה בלתי מבוקרת וייצוג למידה

שיטות לא מבוססות, כולל autoencoders ו-Crepering, לעזור להפחית את המדידה מעל הראש.לדוגמה, autoencoder ספוי יכול לדחוס CSI ברמה גבוהה ייצוג מאוחר יחסית. בחירת באם ניתן לבצע לאחר מכן בחלל המנוח, הדורש פחות שידורים פיילוטים. אלגוריתמים כגון kmeans קבוצות דומות; כל אחד מהם קשור עם קורס קבוע, יש לתקן טכניקות חיפוש לעתים קרובות.

אדריכלות למידה עמוקה עבור Beam Selection

רשתות עצביות מהפכתיות (CNN) ורשתות עצביות חוזרות ונשנות (RNNs) פופולריות לעיבוד תבניות מרחביות וזמניות ב- CSI. CNN יכולות לחלץ תכונות מ- 2D ייצוגים של תגובות מערך אנטנה, כגון ספקטרום angular spectra.RNs, במיוחד לטווח קצר זיכרון (LSTM), לטפל בנתונים ארוכי טווח כדי לחזות שינויים המבוססים על תצפיות קודמות של שימוש ב-reatives כדי להשיג שיטות פעולה לטווח ארוך יותר.

היתרונות של Machine Learning for Dynamic Beam Selection

מינוף בחירת beam מונחה ML מניב שיפורים מוחשיים על פני כמה ממדים ביצועים.

צמצום מעל הראש והלאינטנסיות

על ידי חיזוי הדבורה הטובה ביותר ממערך מצומצם של מדידות, ML מפחית את מספר גורים של קרן חובה.ביישומים רבים דיווחו, בחירת קרן ניתן להשיג עם 50–80% פחות אותות טייס בהשוואה לחיפושים ממצה.זה מוריד ישירות את הערוץ על פני ראש ואת השקיפות הקשורה לרכישה של קרן, אשר היא קריטית עבור יישומים כמו בקרת תעשייתית נמוכה או תקשורת.

שיפור איכות האות ודרך

מודלים ML יכולים לזהות דבורים שהשיגו גבוה יותר SINR, אפילו בתרחישים שאינם קו-of-sight (NLOS) .בבדיקות סלולריות באמצעות נתונים מסביבות גלי מילימטר בתוך DNN, בחירת בטאם המבוססת על DNN מושגת סביב 90% מהאצ'ינביב המקסימלי שניתן להשיג באמצעות חישוב תוך שימוש רק 5% מהזוגות של הדבורים.זה מתורגם לחיבורים אמינים יותר וטובים, במיוחד, במיוחד בתאים.

הסתגלות מוגברת לניידות ולחסום

סוכני למידה של חיזוק כי כל הזמן לעדכן את המדיניות שלהם יכול לשמור על ביצועים גבוהים אפילו כאשר משתמשים נעים במהירויות vehicular (עד 30 מ"ר /s) תוצאות ניסיוניות להראות כי מעקב קרן מבוסס RL מקטין אירועים של סוכרת על ידי יותר מ-40% בהשוואה לסחופה תקופתית.זה הסתגלות חיונית עבור מערכות אלחוטיות עתידיות אשר תומךות במהירות גבוהה, מזל"טים, וכלי רכב אוטונומיים.

תכנון רשת מבוזר ומבצע

מודלים ML ניתן לאמן באופן מרכזי ולאחר מכן לפרוס בתחנות בסיס, המאפשרת בחירה מתואם של קרן תאית על פני רשת רב תאית.זה מקטין התערבות בין תאית ומשפר את היעילות הקישוטית הכוללת. המפעילים נהנים מצורך מופחת עבור כוונון ידני של פרמטרים בסביבות מגוונות.

אתגרים ב-ML for Beam

למרות ההבטחה, שילוב למידת מכונה לייצור מערכות בחירת MIMO מציג כמה מכשולים.

רכישת נתונים ולייבל

מודלים בפיקוח דורש נתונים גדולים של מדידות ערוצים בשילוב עם קרן אמת אופטימלית.לשמור על המדידות האלה לעתים קרובות כרוך גורפת דבורים ממצה, אשר עולה על ה-ML העליון מתכוון להפחית. יתר על כן, נתונים מתוייגים חייבים לכסות מגוון רחב של סביבות, תנאי ערוצים, ותרחישים משתמשים כדי להימנע מהתאמה יתר.

מורכבות הדדית ו-Latency Constraints

רשתות עצביות עמוקות יכולות להיות אינטנסיביות חישוביות, במיוחד כאשר הן צריכות לרוץ על מכשירים למשתמשי סוללה או בתוך תקציבי התזמון המחמירים של עיבוד בסיס.לדוגמה, החלטות בחירת דבורים חייבות להתבצע בתוך כמה מאות מיקרו-שניות ב-5G NR. בעוד טכניקות דחיסה מודל (התזיטיזציה, ריצוף, דינקה) מסייעות, פריסת אותן בפועל דורשות חומרה זהירה-מותקנת בתוך רשת AI.

הסתגלות בזמן אמת ו un-Stationarity

ערוצים אלחוטיים אינם מעודכנים - השינויים הבסיסיים של חלוקת ההסתברותיים כמשתמשים נעים, שינויי מזג אוויר או מקורות התערבות מופיעים.מודל ML שהוכשר על נתונים קודמים עשוי להפוך ל-stale. Online למידה או שיטות למידה המשך נדרשים להסתגל בזמן אמת, אך הם מציבים אתגרים ביציבות ההתכנסות ובגישות חישוביות נמוכות יותר.

שילוב עם סטנדרטים ותשתית קיימת

סטנדרטים תאיים נוכחיים (3GPP Rl-15/16/17) מגדירים נהלי ניהול מסוג amam ספציפיים.הצגת לוגיקה מבוססת ML חייבת להיות מתאימה לאחור ולא להפר את התזמון.הרשת חייבת לספק קובצי עבור ML פיזור למערכות ML כדי להשפיע על אינדקסי באם על ידי UE, או UE עצמו חייב להפעיל מודלים קלים. Standardization הם חקר AI / ML עבור אופטימיזציה אווירית (למשל, 3GPP) עד לפתרונות סטנדרטיים סטנדרטיים של חומרים ניידים של חומרים מתקדמים של AI.

אפשרויות לעתיד ומחקר

תחום בחירת קרן ML-מניעה מתפתח במהירות, עם מספר דרכים מבטיחות לעבודה עתידית.

למידה מבוססת פרטיות עבור פרטיות-Preworth Training

במקום לרכז את נתוני ערוץ המשתמש, שיטות למידה מאוישות מודלים מקומית על כל מכשיר ומשתף רק עדכוני מודל.זה שומר על פרטיות ומפחית את העברת הנתונים מעל פני השטח. גישות פדרated רלוונטיות במיוחד עבור בחירת בטאם, כי מאפייני ערוץ ספציפיים למשתמש נשארים מקומיים בעוד המודל הגלובלי עדיין נהנה מסביבות מגוונות.

גישות קלאסיות-ML

במקום להחליף את כל האלגוריתמים המסורתיים, מערכות היברידיות משתמשות ב-ML כדי לשפר את נהלים גורפים של קרן דבורים קלאסית.לדוגמה, מודל ML יכול לתעד מראש מי דבורים כדי לבדוק את הטאטאים הראשונים, צמצום מרחב החיפוש. לחלופין, לולאה מעקב קת' קלאסי יכול לרוץ ברציפות, בעוד ש-ML מזרז חיפוש מתואם כאשר אותות איכותיים אלה מציעים עמידות וקלות יותר.

מודלים כלליים עבור Multi-Band ו- Multi-antenna Configurations

מערכות אלחוטיות עתידיות (6G) יפעלו על פני תת- 6 GHz, mmWave, ולהקות THz, כל אחד עם תכונות שונות של פרופילציה.פיתוח מודל ML יחיד שיכול להתמודד עם גדלים שונים של קוד, מגוון גיאוגרפיה, ולהקות תדר הוא אתגר מחקר פעיל.עבור למידה ו meta-learning עשוי לאפשר הסתגלות מהירה לסביבות חדשות עם דגימות הכשרה מועטות.

שילוב עם מפות סנסינג וסביבתיות

מעבר ל- CSI טהור, מודלים של ML יכולים לשלב מידע צד כגון מיקום המשתמש ממערכת ניווט גלובלית (GNSS) או נתונים חזותיים בזמן אמת ממצלמות. גישה רב-ממדית זו יכולה לחזות מבחר של beam בהתבסס על גיאומטריה ידועה והקשר למשתמש, צמצום הצורך בסימנים מוקדמים לחלוטין בתחום של חיישן-aided beamforming מראה הבטחה עבור מערכות אלחוטיות הדור הבא.

מסקנה

בחירת שעועית דינמי היא מאפשרת חיוני עבור רשתות MIMO ביצועים גבוהים, במיוחד כאשר מערכות אלחוטיות נעות ללהקות תדר גבוה יותר עם beams צר יותר. Machine למידה מספק כלים חזקים כדי לחזות דבורים אופטימליות ממידות מוגבלות, צמצום פניות, עצלות, ושיפור איכות אותות.על-ידי למידה ממוקדת, חיזוק למידה, ושיטות לא מבוססות כל אחד להציע יתרונות נפרדים בהתאם לזמינות, איכות, גמישות, כולל בעיות חישוביות חישוביות ואפקטים סטנדרטיים של 5G.

לקריאה נוספת, ראה את מפרט ה- 3GPP על ניהול NR beam (FLT:0(3GPP TS 38.300) ⁇ FLT:1 וסקירה עדכנית של IEEE על למידת בחירת קרן:2(IEEE COMST 2020)FLT 3: