Le réseau neuronal artificiel peut améliorer la communication sans fil

• Les chercheurs utilisent des méthodes inspirées du cerveau pour détecter efficacement les signaux du côté du récepteur.
• Il est basé sur le réseau Echo State qui offre des performances élevées tout en consommant moins d'énergie.

Les scientifiques recherchent toujours des communications plus efficaces et plus fiables, pour tout, des téléphones portables et des télévisions aux instruments médicaux et aux satellites. La technique qui a été largement étudiée est celle des méthodes MIMO (multi-input multiple-output) avec multiplexage par répartition orthogonale de la fréquence (OFDM).

Il offre une transmission à haut débit et une robustesse contre l'évanouissement par trajets multiples. Cependant, une conception de récepteur efficace devient extrêmement complexe sans un schéma d'estimation de canal efficace. Ainsi, la plupart des problèmes rencontrés dans de tels systèmes résident dans l'obtention d'informations précises sur l'état du canal.

Pour réduire ces problèmes et augmenter l'efficacité énergétique des récepteurs sans fil, les chercheurs de Virginia Tech utilisent des méthodes d'apprentissage automatique inspirées du cerveau. Cela peut rendre l'estimation de canal redondante et améliorer considérablement les performances là où il est difficile d'établir une connexion entre l'entrée et la sortie du système.

La combinaison de MIMO et d'OFDM permet aux signaux de passer de l'émetteur au récepteur en utilisant plusieurs routes en même temps. L'un des principaux avantages de l'utilisation de cette technique est qu'elle évite l'évanouissement par trajets multiples tout en minimisant les interférences. Cela apporte plusieurs avantages à la technologie 4G et 5G.

Cependant, identifier efficacement les signaux à la fin du récepteur et les coder dans le format qui peut être compris par les appareils (comme les téléviseurs mobiles) nécessite beaucoup de ressources de calcul et d'énergie. Dans ce cas, les réseaux de neurones artificiels peuvent réduire davantage l'inefficacité.

Référence :IEEE | Virginia Tech

Calcul et efficacité des réservoirs

Généralement, les récepteurs effectuent une estimation de canal avant d'identifier les signaux transmis. À l'aide de réseaux de neurones artificiels, les chercheurs peuvent générer un tout nouveau cadre en identifiant les signaux transmis à l'extrémité du récepteur. Ils appellent ce framework Reservoir Computing (RC).

Il est basé sur une architecture unique de réseau à états d'écho, qui offre des performances élevées tout en consommant moins d'énergie. À l'aide de ce cadre, les chercheurs ont créé un modèle capable de démontrer comment un signal particulier se déplace d'un émetteur à un récepteur. Ce modèle leur permet de créer une connexion directe entre l'entrée et la sortie du système.

Étant donné que le réseau de neurones est entraîné sans mettre à jour de manière adaptative les poids synaptiques du réservoir (couches internes), il est plus performant en termes de convergence d'entraînement et de complexité de calcul. Il peut gérer efficacement les distorsions non linéaires de l'amplificateur de puissance au niveau de l'émetteur tout en consommant peu d'énergie.

Lire :Les réseaux de neurones sont l'avenir de la traduction automatique

Les auteurs ont comparé cette technique avec d'autres méthodes d'entraînement et ont découvert que leurs résultats étaient bien meilleurs (efficacité énergétique) du côté du récepteur.