Réseaux de neurones artificiels boostent les performances des communications sans fil

• Les chercheurs utilisent des méthodes inspirées du cerveau pour détecter efficacement les signaux au niveau du récepteur.
• Basé sur le réseau à écho d'état (Echo State Network) qui offre haute performance avec faible consommation d'énergie.

Les scientifiques cherchent toujours des communications plus efficaces et plus fiables, pour tout, des téléphones portables et téléviseurs aux instruments médicaux et satellites. La technique qui a été étudiée de manière extensive est les méthodes MIMO (multiple-input multiple-output) avec multiplexage par division orthogonale de fréquence (OFDM).

Elle offre une transmission à haut débit et une robustesse contre l'affaiblissement multi-trajets. 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'une information d'état de canal précise.

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

La combinaison MIMO et OFDM permet aux signaux de se déplacer de l'émetteur au récepteur en utilisant plusieurs routes en même temps. L'un des principaux avantages de cette technique est qu'elle évite l'affaiblissement multi-trajets tout en minimisant les interférences. Cela apporte plusieurs avantages aux technologies 4G et 5G.

Cependant, identifier efficacement les signaux au niveau du récepteur et les encoder dans un format compréhensible par les appareils (comme les téléviseurs mobiles) nécessite beaucoup de ressources computationnelles et d'énergie. Dans ce cas, les réseaux de neurones artificiels peuvent réduire l'inefficacité dans une large mesure.

Référence : IEEE | Virginia Tech

Calcul de réservoir et efficacité

Habituellement, les récepteurs effectuent une estimation de canal avant d'identifier les signaux transmis. Avec l'aide de réseaux de neurones artificiels, les chercheurs peuvent générer un tout nouveau cadre en identifiant les signaux transmis au niveau du récepteur. Ils appellent ce cadre Calcul de Réservoir (Reservoir Computing - RC).

Il est basé sur une architecture unique de réseau à écho d'état, qui offre une haute performance tout en consommant moins d'énergie. En utilisant ce cadre, les chercheurs ont créé un modèle capable de démontrer comment un signal particulier voyage d'un émetteur à un récepteur. Ce modèle leur permet de créer une connexion directe entre l'entrée et la sortie du système.

Puisque le réseau de neurones est entraîné sans mettre à jour adaptativement les poids synaptiques du réservoir (couches internes), il performe mieux en termes de convergence d'entraînement et de complexité computationnelle. Il peut gérer efficacement les distorsions non-linéaires de l'amplificateur de puissance à l'émetteur tout en consommant peu d'énergie.

À 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 (énergétiquement efficaces) au niveau du récepteur.