Fugu-MT 論文翻訳(概要): Model-Based Deep Learning of Joint Probabilistic and Geometric Shaping for Optical Communication

論文の概要: Model-Based Deep Learning of Joint Probabilistic and Geometric Shaping for Optical Communication

arxiv url: http://arxiv.org/abs/2204.07457v1
Date: Tue, 5 Apr 2022 19:35:40 GMT
ステータス: 処理完了
システム内更新日: 2022-05-01 09:43:33.891311
Title: Model-Based Deep Learning of Joint Probabilistic and Geometric Shaping for Optical Communication
Title（参考訳）: 光通信のための連成確率と幾何形状のモデルベース深層学習
Authors: Vladislav Neskorniuk, Andrea Carnio, Domenico Marsella, Sergei K. Turitsyn, Jaroslaw E. Prilepsky, Vahid Aref
Abstract要約: 光コヒーレント通信のための幾何および確率的星座形状を共同最適化するために,オートエンコーダに基づくディープラーニングを適用した。最適化された星座形成は、256 QAM Maxwell-Boltzmann 確率分布より優れており、170 km SMF リンク上の 64 GBd 送信のための 0.05 ビット/4D シンボル相互情報を備えている。
参考スコア（独自算出の注目度）: 2.8968603530277055
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autoencoder-based deep learning is applied to jointly optimize geometric and probabilistic constellation shaping for optical coherent communication. The optimized constellation shaping outperforms the 256 QAM Maxwell-Boltzmann probabilistic distribution with extra 0.05 bits/4D-symbol mutual information for 64 GBd transmission over 170 km SMF link.
Abstract（参考訳）: オートエンコーダベースのディープラーニングは、光学コヒーレント通信のための幾何学的および確率的星座形成を共同で最適化する。最適化された星座の形状は、256 QAM Maxwell-Boltzmann 確率分布より優れており、170 km SMF リンク上で64 GBd 伝送のための 0.05 ビット/4D シンボル相互情報が得られる。

関連論文リスト

Democratizing AI: Open-source Scalable LLM Training on GPU-based Supercomputers [65.35142508909892]
AxoNNと呼ばれる,スケーラブルでポータブルなオープンソースフレームワークで実装された新しい4次元ハイブリッド並列アルゴリズムを提案する。本稿では,Frontier 上で AxoNN を用いて405ビリオンパラメータ LLM の微調整を行う。
論文参考訳（メタデータ） (2025-02-12T06:05:52Z)
Robust Hybrid Classical-Quantum Transfer Learning Model for Text Classification Using GPT-Neo 125M with LoRA & SMOTE Enhancement [0.0]
本研究は,テキスト分類のための古典量子ハイブリッドフレームワークを提案する。 GPT-Neo 125MとLoRA(Lo-Rank Adaptation)とSMOTE(Synthetic Minority Over-Sampling Technique)を統合する。
論文参考訳（メタデータ） (2025-01-12T23:38:33Z)
MARINA-P: Superior Performance in Non-smooth Federated Optimization with Adaptive Stepsizes [57.24311218570012]
EF21-P (匿名2024) と MARINA-P (arXiv:2402.06412) の非滑らか凸理論を非サイズ凸設定で拡張する。我々は、定数、減少、適応(aktype)ステップの理論的保証を提供する。
論文参考訳（メタデータ） (2024-12-22T16:18:34Z)
Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network [70.63240823677182]
近距離飛行船搭載通信網は、緊急に信頼性と効率のよい飛行船対Xリンクを必要とする。本稿では,MIMO(Multiple-Input multiple-output)技術とセマンティックコミュニケーションを統合することを提案する。
論文参考訳（メタデータ） (2024-05-30T09:46:59Z)
A 4D Hybrid Algorithm to Scale Parallel Training to Thousands of GPUs [1.7481226034111275]
本稿では,並列訓練における通信を最適化するための4次元(4次元)アプローチを提案する。 AxoNNは最先端のフレームワークであるMegatron-LMを26%上回っている。理論上のピークFLOP/sの57%、合計182 PFLOP/sを達成している。
論文参考訳（メタデータ） (2023-05-22T22:41:49Z)
End-to-End Deep Learning of Long-Haul Coherent Optical Fiber Communications via Regular Perturbation Model [3.7683182861690843]
並列化可能な摂動チャネルモデルを用いたコヒーレント光通信のためのエンドツーエンドオートエンコーダに基づく新しい学習法を提案する。
論文参考訳（メタデータ） (2021-07-26T16:46:35Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
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)
Benchmarking 50-Photon Gaussian Boson Sampling on the Sunway TaihuLight [13.129830044392518]
この研究は、Sunway TaihuLightスーパーコンピュータに基づくしきい値検出によるガウスボソンサンプリング(GBS)のベンチマークを確立する。選択されたシミュレーションアルゴリズムは、並列スキームと命令レベルの最適化方法を含む一連の革新的なアプローチに基づいて、完全に最適化されている。最大出力は128ビット精度で20時間以内に50光子GBSから100 x 100サブマトリクスの1つのトロント関数を得ることができ、256ビット精度で2日間の精度で得られる。
論文参考訳（メタデータ） (2020-09-02T16:37:33Z)
Joint Learning of Probabilistic and Geometric Shaping for Coded Modulation Systems [12.325545487629297]
ビットワイド相互情報(BMI)の協調最適化を可能にするトレーニング可能な符号化変調方式を提案する。提案手法は対称確率分布に制限されず、任意のチャネルモデルに最適化でき、任意のコードレート$k/m$で動作する。
論文参考訳（メタデータ） (2020-04-10T14:56:32Z)

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。