論文の概要: Hierarchical ML Codebook Design for Extreme MIMO Beam Management

• arxiv url: http://arxiv.org/abs/2312.02178v1
• Date: Fri, 24 Nov 2023 17:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 03:33:45.651150
• Title: Hierarchical ML Codebook Design for Extreme MIMO Beam Management
• Title（参考訳）: MIMOビーム管理のための階層型MLコードブックの設計
• Authors: Ryan M. Dreifuerst and Robert W. Heath Jr
• Abstract要約: ビーム管理は、ビームフォーミングとチャネル状態情報(CSI)を5Gで大きなアンテナアレイで取得する戦略である。 コードブックは、ビームフォーミング参照信号、CSIレポート、アナログビームトレーニングなど、ビーム管理に多用されている。 本稿では,超大規模マルチインプットマルチアウトプット(X-MIMO)システムを対象とした,機械学習によるコードブック設計プロセスの提案と評価を行う。
• 参考スコア（独自算出の注目度）: 37.51593770637367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam management is a strategy to unify beamforming and channel state information (CSI) acquisition with large antenna arrays in 5G. Codebooks serve multiple uses in beam management including beamforming reference signals, CSI reporting, and analog beam training. In this paper, we propose and evaluate a machine learning-refined codebook design process for extremely large multiple-input multiple-output (X-MIMO) systems. We propose a neural network and beam selection strategy to design the initial access and refinement codebooks using end-to-end learning from beamspace representations. The algorithm, called Extreme-Beam Management (X-BM), can significantly improve the performance of extremely large arrays as envisioned for 6G and capture realistic wireless and physical layer aspects. Our results show an 8dB improvement in initial access and overall effective spectral efficiency improvements compared to traditional codebook methods.
• Abstract（参考訳）: ビーム管理は、ビームフォーミングとチャネル状態情報(CSI)を5Gで大きなアンテナアレイで取得する戦略である。 コードブックは、ビームフォーミング参照信号、CSIレポート、アナログビームトレーニングなど、ビーム管理に多用されている。 本稿では,大規模マルチインプットマルチアウトプット(X-MIMO)システムを対象とした,機械学習によるコードブック設計プロセスの提案と評価を行う。 本稿では,ビーム空間表現からエンドツーエンド学習を用いた初期アクセスおよび改良コードブックを設計するために,ニューラルネットワークとビーム選択戦略を提案する。 Extreme-Beam Management (X-BM)と呼ばれるこのアルゴリズムは、6G用に想定される非常に大きなアレイの性能を大幅に向上させ、リアルなワイヤレスおよび物理層を捉える。 その結果,従来のコードブック法と比較して,初期アクセスの8dB改善と総合的なスペクトル効率の改善が見られた。

関連論文リスト

• Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
  本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。 当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T19:48:51Z)
• GLARE: Low Light Image Enhancement via Generative Latent Feature based Codebook Retrieval [80.96706764868898]
  我々は、GLARE(Generative LAtent Feature based codebook Retrieval)を介して、新しい低照度画像強調(LLIE)ネットワークを提案する。 Invertible Latent Normalizing Flow (I-LNF) モジュールを開発し、LL特徴分布をNL潜在表現に整合させ、コードブック内の正しいコード検索を保証する。 さまざまなベンチマークデータセットと実世界のデータに対するGLAREの優れたパフォーマンスを確認する実験。
  論文  参考訳（メタデータ） (2024-07-17T09:40:15Z)
• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• Neural Codebook Design for Network Beam Management [37.51593770637367]
  5Gのようなモバイルシステムは、ビーム管理フレームワークを使用して、最初の取得、アクセス、CSINB、ビームフォーミング、データ転送を結合する。 本稿では、干渉を軽減するためにコードブックをキャプチャし、最適化する、ハイブリッド・ツー・エンドの学習用コードブック設計アルゴリズムを提案する。 提案アルゴリズムは共有情報に制限を課すが、従来のコードブックよりも10dB以上のアライメントを実現し、ネットワークスペクトル効率を25%以上改善するコードブックを設計する。
  論文  参考訳（メタデータ） (2024-03-05T15:37:06Z)
• Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
  5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。 計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。 本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:04:41Z)
• Massive MIMO Beam Management in Sub-6 GHz 5G NR [46.71738320970658]
  ビームコードブックは5G新無線(NR)におけるM-MIMO(Multiple-Input multiple-output)の新機能である 機械学習は、初期アクセスのためのサイト固有のコードブックのトレーニングに使用できることを示す。
  論文  参考訳（メタデータ） (2022-04-12T19:51:43Z)
• Tensor Learning-based Precoder Codebooks for FD-MIMO Systems [47.562560779723334]
  本稿では,FD(Full-dimension)マルチインプット・マルチアウトプット(MIMO)システムにおいて,プリコーディングのための低複雑さなコードブックを設計するための効率的な手法を開発する。 モデルフリーなデータ駆動型アプローチを機械学習の基礎として利用し、周辺伝播条件に適応するコードブックを生成する。
  論文  参考訳（メタデータ） (2021-06-21T19:18:39Z)
• Learning on a Grassmann Manifold: CSI Quantization for Massive MIMO Systems [37.499485219254545]
  本稿では,基礎となるチャネル分布に対する平均正規化ビームフォーミングゲインを最大化するビームフォーミングコードブックの設計に焦点をあてる。 我々は,機械学習の基礎となるモデルフリーなデータ駆動型手法を用いて,周囲の伝搬条件に適応するビームフォーミングコードブックを生成する。
  論文  参考訳（メタデータ） (2020-05-18T01:01:36Z)

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。