論文の概要: Radiation pattern prediction for Metasurfaces: A Neural Network based
approach
- arxiv url: http://arxiv.org/abs/2007.08035v1
- Date: Wed, 15 Jul 2020 23:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 05:44:49.786339
- Title: Radiation pattern prediction for Metasurfaces: A Neural Network based
approach
- Title(参考訳): 準曲面の放射パターン予測:ニューラルネットワークによるアプローチ
- Authors: Hamidreza Taghvaee, Akshay Jain, Xavier Timoneda, Christos Liaskos,
Sergi Abadal, Eduard Alarc\'on and Albert Cabellos-Aparicio
- Abstract要約: 本稿では,MSF応答の高速かつ高精度な評価を可能にするニューラルネットワークに基づく新しい手法を提案する。
上記の結果と方法論は、6Gネットワーク環境にデプロイされる数千のRISの設計、フォールトトレランス、メンテナンスにおいて特に重要である。
- 参考スコア(独自算出の注目度): 7.425034008715922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the current standardization for the 5G networks nears completion, work
towards understanding the potential technologies for the 6G wireless networks
is already underway. One of these potential technologies for the 6G networks
are Reconfigurable Intelligent Surfaces (RISs). They offer unprecedented
degrees of freedom towards engineering the wireless channel, i.e., the ability
to modify the characteristics of the channel whenever and however required.
Nevertheless, such properties demand that the response of the associated
metasurface (MSF) is well understood under all possible operational conditions.
While an understanding of the radiation pattern characteristics can be obtained
through either analytical models or full wave simulations, they suffer from
inaccuracy under certain conditions and extremely high computational
complexity, respectively. Hence, in this paper we propose a novel neural
networks based approach that enables a fast and accurate characterization of
the MSF response. We analyze multiple scenarios and demonstrate the
capabilities and utility of the proposed methodology. Concretely, we show that
this method is able to learn and predict the parameters governing the reflected
wave radiation pattern with an accuracy of a full wave simulation (98.8%-99.8%)
and the time and computational complexity of an analytical model. The
aforementioned result and methodology will be of specific importance for the
design, fault tolerance and maintenance of the thousands of RISs that will be
deployed in the 6G network environment.
- Abstract(参考訳): 5Gネットワークの現在の標準化が完成に近づいているため、6G無線ネットワークの潜在的な技術を理解するための作業はすでに進行中である。
6Gネットワークの潜在的な技術の一つは、再構成可能なインテリジェントサーフェス(RIS)である。
無線チャネルのエンジニアリングには前例のない自由度、すなわち、必要なときにいつでもチャンネルの特性を変更できる能力を提供する。
しかしながら、このような性質は、関連する準曲面(MSF)の応答が、あらゆる可能な操作条件下で十分に理解されていることを要求している。
放射パターン特性の理解は、解析モデルまたはフルウェーブシミュレーションによって得ることができるが、それぞれ特定の条件下での不正確さと非常に高い計算複雑性に悩まされている。
そこで本稿では,MSF応答の高速かつ正確な評価を可能にする,ニューラルネットワークに基づく新しい手法を提案する。
複数のシナリオを分析し,提案手法の有効性と有用性を実証する。
具体的には,全波シミュレーション(98.8%-99.8%)の精度と解析モデルの時間と計算複雑性を用いて,反射波放射パターンを規定するパラメータを学習し,予測することができることを示す。
上記の結果と方法論は、6Gネットワーク環境にデプロイされる数千のRISの設計、フォールトトレランス、メンテナンスにおいて特に重要である。
関連論文リスト
- Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。
本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。
ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
論文 参考訳(メタデータ) (2024-02-27T11:52:49Z) - SeismicNet: Physics-informed neural networks for seismic wave modeling
in semi-infinite domain [11.641708412097659]
半無限領域における地震波モデリングのための新しい物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
計算効率の面では、ネットワークのスケーラビリティと解の精度を向上させるために、時間領域分解による逐次訓練戦略を検討する。
提案したPINNモデルの性能を評価するために,様々な数値実験が実施されている。
論文 参考訳(メタデータ) (2022-10-25T14:25:07Z) - Reconfigurable Intelligent Surface-assisted Classification of
Modulations using Deep Learning [0.0]
本稿では,人工知能を用いたRIS支援ディジタル分類手法を提案する。
我々は、デジタル変調を分類するために畳み込みニューラルネットワークを訓練する。
提案手法の精度は特に低レベルのSNRにおいて顕著である。
論文 参考訳(メタデータ) (2022-09-17T18:45:03Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳(メタデータ) (2022-05-22T07:11:57Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳(メタデータ) (2022-05-08T06:21:33Z) - Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文 参考訳(メタデータ) (2022-04-28T09:26:14Z) - Multi-task Learning Approach for Modulation and Wireless Signal
Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。
我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。
公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
論文 参考訳(メタデータ) (2022-02-26T14:51:02Z) - Conditionally Parameterized, Discretization-Aware Neural Networks for
Mesh-Based Modeling of Physical Systems [0.0]
入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。
条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。
CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
論文 参考訳(メタデータ) (2021-09-15T20:21:13Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳(メタデータ) (2020-12-12T01:20:42Z) - 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)
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。