Переосмысление беспроводной связи для сетей 6G: встреча обработки сигналов и глубокого обучения посредством глубокого развёртывания

Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning With Deep Unfolding
Tommaso Melodia, Jithin Jagannath, Anu Jagannath
2021-08-27

беспроводная связь 6Gглубокое обучениеглубокое разворачиваниепериферийный интеллектобработка сигналов
В 2019 году был введён стандарт 5G, который призван обеспечить значительное повышение скорости передачи данных по сравнению с 4G. Хотя 5G всё ещё находится на начальном этапе развития, научное сообщество всё активнее переключается на исследование технологий связи, выходящих за рамки 5G. Недавнее появление методов машинного обучения для совершенствования беспроводной связи и наделения её столь необходимыми интеллектуальными функциями обладает огромным потенциалом для переосмысления беспроводной связи в сетях 6G. Развивающиеся системы связи будут ограничены с точки зрения задержки, пропускной способности и надёжности базовой обработкой сигналов на физическом уровне. В этой программной статье обосновывается необходимость модернизации итеративных алгоритмов обработки сигналов с использованием методов глубокого развёртывания для выполнения требований физического уровня сетей 6G. С этой целью сначала рассматриваются требования к услугам и ключевые проблемы, обусловленные предполагаемой архитектурой связи 6G. Описываются недостатки традиционных алгоритмических принципов и требовательных к данным подходов глубокого обучения (DL) применительно к сетям 6G. В частности, обработка сигналов на основе глубокого развёртывания представлена через описание взаимосвязи между предметными знаниями и DL. Рассмотренные в этой статье подходы глубокого развёртывания явно соотносятся с требованиями, предъявляемыми к сетям сотовой связи следующего поколения. Наконец, в статье обозначаются открытые исследовательские задачи, решение которых необходимо для реализации действительно аппаратно-эффективного периферийного интеллекта в будущих сетях 6G. Практическая значимость — в статье обсуждается, почему интеграция предметных знаний в фреймворки машинного обучения является ключом к созданию будущих встроенных интеллектуальных систем связи. Независимое применение традиционной обработки сигналов и подходов глубокого обучения сопряжено со значительными ограничениями вычислительных ресурсов и памяти. Это становится особенно сложным в контексте будущих сетей связи, таких как 6G, предъявляющих высокие требования к передаче данных, где плотные деп...
1
Глубокое разворачивание рассматривается как перспективный подход к переработке итеративных алгоритмов обработки сигналов физического уровня для удовлетворения требований 6G к задержке, пропускной способности и надежности.
2
Рассмотренные методы глубокого разворачивания напрямую сопоставляются с требованиями к услугам и архитектурными вызовами сетей следующего поколения.
3
Интеграция предметных знаний в структуры машинного обучения представлена как необходимое условие аппаратно-эффективного встраиваемого интеллекта на периферии сети 6G.
4
Выделяются открытые исследовательские задачи для практической реализации методов глубокого разворачивания с учетом вычислительных и memory-ограничений будущих систем связи.
5
Утверждается, что объединение предметных знаний в области обработки сигналов с глубоким обучением позволяет преодолеть ограничения традиционных алгоритмов и самостоятельных методов глубокого обучения, требующих больших объемов данных.

беспроводные коммуникационные сети 6G и их системы обработки сигналов на физическом уровне

применение глубокой развёртки для переработки итеративной обработки сигналов на физическом уровне с целью повышения эффективности по задержке, пропускной способности и надёжности, а также обеспечения аппаратно-эффективного периферийного интеллекта

Publication Details
Publication Date
2021-08-27
Journal
Publisher
ISSN
Cited by
187
Access Type
Author Information
Authors
Tommaso Melodia
Jithin Jagannath
Anu Jagannath
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%