Fugu-MT 論文翻訳(概要): Machine Learning-aided Design of Thinned Antenna Arrays for Optimized Network Level Performance

論文の概要: Machine Learning-aided Design of Thinned Antenna Arrays for Optimized Network Level Performance

arxiv url: http://arxiv.org/abs/2001.09335v2
Date: Thu, 28 Jan 2021 13:12:47 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 00:24:52.722334
Title: Machine Learning-aided Design of Thinned Antenna Arrays for Optimized Network Level Performance
Title（参考訳）: ネットワークレベル最適化のための薄型アンテナアレイの機械学習支援設計
Authors: Mattia Lecci, Paolo Testolina, Mattia Rebato, Alberto Testolin, Michele Zorzi
Abstract要約: 本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。学習手法が複雑なシミュレータをモデストデータセットでエミュレートする方法を示す。以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。
参考スコア（独自算出の注目度）: 19.17059890143665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the advent of millimeter wave (mmWave) communications, the combination of a detailed 5G network simulator with an accurate antenna radiation model is required to analyze the realistic performance of complex cellular scenarios. However, due to the complexity of both electromagnetic and network models, the design and optimization of antenna arrays is generally infeasible due to the required computational resources and simulation time. In this paper, we propose a Machine Learning framework that enables a simulation-based optimization of the antenna design. We show how learning methods are able to emulate a complex simulator with a modest dataset obtained from it, enabling a global numerical optimization over a vast multi-dimensional parameter space in a reasonable amount of time. Overall, our results show that the proposed methodology can be successfully applied to the optimization of thinned antenna arrays.
Abstract（参考訳）: ミリ波通信(mmWave)の出現に伴い,複雑なセルシナリオの現実的な性能を解析するために,詳細な5Gネットワークシミュレータと正確なアンテナ放射モデルを組み合わせる必要がある。しかし、電磁モデルとネットワークモデルの両方の複雑さのため、アンテナアレイの設計と最適化は一般に必要となる計算資源とシミュレーション時間のために不可能である。本稿では,アンテナ設計のシミュレーションに基づく最適化を実現する機械学習フレームワークを提案する。本稿では,学習手法が複雑なシミュレータをモデストデータセットでエミュレートし,膨大な多次元パラメータ空間をある程度の時間で大域的に数値的に最適化できることを示す。以上の結果から,提案手法をアンテナアレイの最適化に有効に適用できることが示唆された。

関連論文リスト

Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文参考訳（メタデータ） (2024-06-22T11:17:50Z)
Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
論文参考訳（メタデータ） (2023-09-22T20:52:50Z)
Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
論文参考訳（メタデータ） (2023-05-04T09:26:03Z)
Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文参考訳（メタデータ） (2023-01-20T17:06:34Z)
Modeling Scattering Coefficients using Self-Attentive Complex Polynomials with Image-based Representation [26.6996054977643]
与えられた2次元平面アンテナ設計の周波数領域における散乱係数を直接推定するために, CZP と命名されたサンプル効率で正確な代理モデルを提案する。我々は、CZPが試験損失の点でベースラインを上回るだけでなく、商用ソフトウェアで検証可能な2次元アンテナの設計も見出すことができることを示した。
論文参考訳（メタデータ） (2023-01-06T23:32:07Z)
A Machine Learning Generative Method for Automating Antenna Design and Optimization [9.438718097561061]
異なるノードを接続することで任意の形状を形成できるメッシュネットワークの概念を取り入れたフレキシブルな幾何学的スキームを導入する。広帯域なデュアル共振アンテナの設計では,提案手法はTrust Region Frameworkと同等であり,他の成熟した機械学習アルゴリズムよりもはるかに優れている。
論文参考訳（メタデータ） (2022-02-28T21:30:37Z)
Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文参考訳（メタデータ） (2021-01-28T15:10:22Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)
Federated Learning via Intelligent Reflecting Surface [30.935389187215474]
オーバー・ザ・エア・コンピューティング・アルゴリズム(FL)は,複数のアクセスチャネルの波形重畳特性を利用して高速なモデルアグリゲーションを実現することができる。本稿では,AirCompベースのFLのための高速かつ信頼性の高いモデルアグリゲーションを実現するための2段階最適化フレームワークを提案する。シミュレーションの結果,提案するフレームワークとIRSの展開により,ベースラインアルゴリズムよりもトレーニング損失が低く,FL予測精度も高いことがわかった。
論文参考訳（メタデータ） (2020-11-10T11:29:57Z)
Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-11-08T12:48:06Z)
Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap [15.1962264049463]
本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-07-12T17:27:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。