原文:2004.10715.pdf (arxiv.org)
Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning with Deep Unfolding
Anu Jagannath, Member, IEEE, Jithin Jagannath, Senior Member, IEEE, and Tommaso Melodia, Fellow, IEEE
期刊:IEEE TRANSACTIONS ON ARTIFICIAL INTELLIGENCE
是一篇类似于文献综述的期刊,针对6G+DL落地的可能性,提出DL与领域知识相结合的方法,能够降低神经网络的不可预测性和计算量复杂的特性。并罗列了几种文献。
1. 6G通信需求设想
- 超高速数据传输:1Tbps下行链路峰值,100Gbps用户体验速率
- 超低延时通信:0.1ms
- 超密集网络:每平方公里10个5G设备
- 高可靠性:误码率为
- 频谱效率:100bps/Hz(下行链路)
- 高能效:1pJ/bit
2. 关键的物理层解决方案
- self-optimization 自我优化
- Radio-resource allocation 无线电资源分配
- Physical layer security 物理层安全
- Dynamic spectrum management 动态频谱管理
- UM-MIMO Beamforming 波束形成
- UM-MIMO Channel Equalization 信道均衡
- Link Adaptation 链路适应
3. 将DL应用于无线通信潜在的挑战
- resource-constraint:只能部署在拥有大量训练数据和强大计算平台的设施中,如GPU
- computational complexity:PHY层的ML具有执行智能信号处理的潜力,但大多研究都是计算性和密集管理性,没有考虑算法实现的复杂性和实现平台等。
- black-box nature:神经网络的黑匣子特性,不可理解和不可预测性
深度学习对数据的需求和指数级计算复杂性使其不能应用到实处,无法广泛部署。因此计算密集型的深度学习方法不是实现6G通信的目标。而将DL的学习能力与算法知识结合的 智能硬件高效物理层 解决方案,可以减轻计算负担,提高鲁棒性。
4.提出模型驱动的DL应用于6G通信
物理层传统信号处理方法(主要是转化为优化问题的):信号检测 干扰估计 信道估计 编码 解码。
优化问题可以转为迭代算法解决。需要特征分解、矩阵反演等大量算法迭代去收敛。
传统算法:
- 最大似然检测:可获取最优性能,但有指数级的复杂度 与决策变量规模有关,计算量大。
- MMSE最小均方误差和迫零:计算轻便但可靠性低。
- AMP(Approximate Message Passing)和Expectation Propagation:可靠性还可以但计算量较大。
由此提出一种模型驱动的方法。将传统信号处理的领域知识与神经网络的学习能力相结合,以计算更轻的架构改善模型性能。
eg:n步迭代推理算法可展开成一个基于该模型的具有可训练参数的n层神经网络,参数通过反向传播、SGD等工具从DL学习。文中给出了MIMO中乘法器交替方向鹅ADMM的优化过程。
5.文中提到一些文献
[14].PHY ML的方法,但没有深入开展解决(address)模型驱动
[17].6G通信需求中实现智能PHY的重要
[20].PHY信号处理的应用
[12].无线通信ML
[20].[22].使用DL策略的可训练性的信号处理模型(模型驱动)
[24]LearnISTA迭代软阈值分割算法?ISTA是一种用于稀疏信号恢复的处理技术。但需多次迭代才能收敛于可接受的归一化均方误差(NMSE),导致处理延迟,->LISTA,AMP,TISITA
TISTA收敛速度优:通过可训练的步长参数深入展开迭代的ISTA。将其阈值函数替换为基于MMSE的收缩函数,将N布ISTA展开成具有N+2个可学习参数的N层DL架构。采用增量训练策略缓解消失梯度的问题.[25].基于DL1bit量化信号恢复方案。DeepRec信号,将最大似然信号估计器的迭代展开,用迭代梯度上升法求解。每次迭代都在ReLu激活的神经网络中用一个等效层表示
[26].多项式射频干扰抵消抑制。将加权多项式和表达式展开为具有隐层的前馈神经网络。权值通过反向传播的监督学习估计。
By the way
图很好看