論文の概要: Neural Codebook Design for Network Beam Management

• arxiv url: http://arxiv.org/abs/2403.03053v1
• Date: Tue, 5 Mar 2024 15:37:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 14:19:10.938637
• Title: Neural Codebook Design for Network Beam Management
• Title（参考訳）: ネットワークビーム管理のためのニューラルコードブック設計
• Authors: Ryan M. Dreifuerst and Robert W. Heath Jr
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.51593770637367
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Obtaining accurate and timely channel state information (CSI) is a fundamental challenge for large antenna systems. Mobile systems like 5G use a beam management framework that joins the initial access, beamforming, CSI acquisition, and data transmission. The design of codebooks for these stages, however, is challenging due to their interrelationships, varying array sizes, and site-specific channel and user distributions. Furthermore, beam management is often focused on single-sector operations while ignoring the overarching network- and system-level optimization. In this paper, we proposed an end-to-end learned codebook design algorithm, network beamspace learning (NBL), that captures and optimizes codebooks to mitigate interference while maximizing the achievable performance with extremely large hybrid arrays. The proposed algorithm requires limited shared information yet designs codebooks that outperform traditional codebooks by over 10dB in beam alignment and achieve more than 25% improvements in network spectral efficiency.
• Abstract（参考訳）: 高精度でタイムリーなチャネル状態情報(CSI)を得ることは、大型アンテナシステムにとって根本的な課題である。 5Gのようなモバイルシステムは、初期アクセス、ビームフォーミング、CSI取得、データ転送と結合するビーム管理フレームワークを使用している。 しかし、これらの段階でのコードブックの設計は、相互関係、配列サイズの変化、サイト固有のチャネルとユーザ分布のために困難である。 さらにビーム管理は、ネットワーク全体の最適化やシステムレベルの最適化を無視しながら、シングルセクタ操作にしばしば注目される。 本稿では,非常に大きなハイブリッドアレイで実現可能な性能を最大化しつつ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,エンドツーエンドの学習コードブック設計アルゴリズムである network beamspace learning (nbl) 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を10dB以上のビームアライメントで上回り、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。

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)
• Hierarchical ML Codebook Design for Extreme MIMO Beam Management [37.51593770637367]
  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。
  論文  参考訳（メタデータ） (2023-11-24T17:14:11Z)
• Deep Learning Assisted Multiuser MIMO Load Modulated Systems for Enhanced Downlink mmWave Communications [68.96633803796003]
  本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) 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, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。 ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。 本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:54:56Z)
• Towards Efficient Subarray Hybrid Beamforming: Attention Network-based Practical Feedback in FDD Massive MU-MIMO Systems [9.320559153486885]
  本稿では,チャネル推定とフィードバックのための協調最適化ネットワークを提案する。 実験の結果,提案するネットワークは,リソースに敏感なユーザ機器において10倍以上軽量であることがわかった。
  論文  参考訳（メタデータ） (2023-02-05T15:12:07Z)
• 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)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• 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。