Onderzoekers zijn altijd op zoek naar betrouwbaardere en efficiëntere communicatie, voor alles, van televisies en mobiele telefoons tot satellieten en medische apparaten.

Een techniek die buzz genereert vanwege de hoge signaalkwaliteit is een combinatie van technieken met meerdere ingangen en meerdere uitgangen met orthogonale multiplexing met frequentieverdeling.

Virginia Tech-onderzoekers Lingjia Liu en Yang (Cindy) Yi gebruiken op de hersenen geïnspireerde machine learning-technieken om de energie-efficiëntie van draadloze ontvangers te verhogen.

Hun gepubliceerde bevindingen, "Het realiseren van detectie van groene symbolen via Reservoir Computing:een perspectief op energie-efficiëntie, " ontving de Best Paper Award van de IEEE Transmission, Toegang, en technische commissie optische systemen.

Liu en Yi, respectievelijk universitair hoofddocenten en assistent-professoren in de Bradley Department of Electrical and Computer Engineering, samen met Liu's Ph.D. student Rubayet Shafin, werken samen met onderzoekers van het Information Directorate van het U.S. Air Force Research Laboratory—Jonathan Ashdown, Johannes Matyjas, Michael Medley, en Bryant Wysocki.

Door deze combinatie van technieken kunnen signalen van zender naar ontvanger gaan via meerdere paden tegelijk. De techniek biedt minimale interferentie en biedt een inherent voordeel ten opzichte van eenvoudigere paden om multipath-fading te voorkomen, die merkbaar vervormt wat je ziet als je op een stormachtige dag over-the-air televisie kijkt, bijvoorbeeld.

"Een combinatie van technieken en frequentie brengt veel voordelen met zich mee en is de belangrijkste radiotoegangstechnologie voor 4G- en 5G-netwerken, "zei Liu. "Echter, het correct detecteren van de signalen bij de ontvanger en ze terugzetten in iets dat uw apparaat begrijpt, kan veel rekeninspanning vergen, en dus energie."

Liu en Yi gebruiken kunstmatige neurale netwerken - computersystemen die zijn geïnspireerd op de innerlijke werking van de hersenen - om de inefficiëntie te minimaliseren. "Traditioneel, de ontvanger voert een kanaalschatting uit voordat de verzonden signalen worden gedetecteerd, " zei Yi. "Door kunstmatige neurale netwerken te gebruiken, we kunnen een volledig nieuw raamwerk creëren door verzonden signalen direct bij de ontvanger te detecteren."

Deze benadering "kan de systeemprestaties aanzienlijk verbeteren wanneer het moeilijk is om het kanaal te modelleren, of wanneer het misschien niet mogelijk is om een ​​directe relatie tussen de input en output vast te stellen, " zei Matyjas, de technisch adviseur van AFRL's Computing and Communications Division en een Air Force Research Laboratory Fellow.

Reservoir computing

Het team heeft een methode voorgesteld om het kunstmatige neurale netwerk te trainen om efficiënter te werken op een zender-ontvangerpaar met behulp van een raamwerk dat reservoir computing wordt genoemd, met name een speciale architectuur genaamd echo state network (ESN). Een ESN is een soort terugkerend neuraal netwerk dat hoge prestaties combineert met lage energie.

"Deze strategie stelt ons in staat om een ​​model te maken dat beschrijft hoe een specifiek signaal zich voortplant van een zender naar een ontvanger, het mogelijk maken om een ​​directe relatie te leggen tussen de input en de output van het systeem, " zei Wysocki, de hoofdingenieur van het Air Force Research Laboratory Information Directorate.

De efficiëntie testen

Liu, ja, en hun AFRL-medewerkers vergeleken hun bevindingen met resultaten van meer gevestigde trainingsbenaderingen - en ontdekten dat hun resultaten efficiënter waren, vooral aan de kant van de ontvanger.

"Simulatie en numerieke resultaten toonden aan dat de ESN aanzienlijk betere prestaties kan leveren in termen van computationele complexiteit en trainingsconvergentie, " zei Liu. "Vergeleken met andere methoden, dit kan worden beschouwd als een 'groene' optie."