論文の概要: Scalable Multivariate Fronthaul Quantization for Cell-Free Massive MIMO

• arxiv url: http://arxiv.org/abs/2409.06715v1
• Date: Mon, 26 Aug 2024 12:56:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-15 05:21:30.431104
• Title: Scalable Multivariate Fronthaul Quantization for Cell-Free Massive MIMO
• Title（参考訳）: セルフリー大量MIMOのためのスケーラブル多変量フロントホール量子化
• Authors: Sangwoo Park, Ahmet Hasim Gokceoglu, Li Wang, Osvaldo Simeone,
• Abstract要約: この研究は、PCベースのセルフリーMIMOシステムのためのスケーラブルなMQ戦略を設計することを目的としている。 低フロントホール容量のシステムでは,アルファパラレルMQ (アルファ-PMQ) が成立し,その複雑性は各RUに対してのみ指数関数的に表される。 ハイフロントのキャパシティ・レシエーションのために、我々は、ニューラルネットワークベースのデコーダのための勾配ベースの更新でMQの網羅的なサーチを置き換える、Neural MQを導入する。
• 参考スコア（独自算出の注目度）: 36.0373787740205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conventional approach to the fronthaul design for cell-free massive MIMO system follows the compress-and-precode (CP) paradigm. Accordingly, encoded bits and precoding coefficients are shared by the distributed unit (DU) on the fronthaul links, and precoding takes place at the radio units (RUs). Previous theoretical work has shown that CP can be potentially improved by a significant margin by precode-and-compress (PC) methods, in which all baseband processing is carried out at the DU, which compresses the precoded signals for transmission on the fronthaul links. The theoretical performance gain of PC methods are particularly pronounced when the DU implements multivariate quantization (MQ), applying joint quantization across the signals for all the RUs. However, existing solutions for MQ are characterized by a computational complexity that grows exponentially with the sum-fronthaul capacity from the DU to all RUs. This work sets out to design scalable MQ strategies for PC-based cell-free massive MIMO systems. For the low-fronthaul capacity regime, we present alpha-parallel MQ (alpha-PMQ), whose complexity is exponential only in the fronthaul capacity towards an individual RU, while performing close to full MQ. alpha-PMQ tailors MQ to the topology of the network by allowing for parallel local quantization steps for RUs that do not interfere too much with each other. For the high-fronthaul capacity regime, we then introduce neural MQ, which replaces the exhaustive search in MQ with gradient-based updates for a neural-network-based decoder, attaining a complexity that grows linearly with the sum-fronthaul capacity. Numerical results demonstrate that the proposed scalable MQ strategies outperform CP for both the low and high-fronthaul capacity regimes at the cost of increased computational complexity at the DU (but not at the RUs).
• Abstract（参考訳）: セルフリー大規模MIMOシステムにおけるフロントホール設計への従来のアプローチは、CPパラダイムに従っている。 これにより、符号化ビットとプリコーディング係数は、フロントホールリンク上の分散ユニット(DU)で共有され、無線ユニット(RU)でプリコーディングが行われる。 従来の理論的研究により、CPはプリコード・アンド・コンプレックス(PC)法によって大きなマージンで改善できることが示され、この手法では全てのベースバンド処理がDUで実行され、フロントホールリンク上で伝送するためのプリコードされた信号が圧縮される。 PC手法の理論的性能向上は、DUがマルチ変数量子化(MQ)を実装した時に特に顕著である。 しかし、MQ の既存のソリューションの特徴は、DU からすべての RU への合計フロントホール容量とともに指数関数的に増大する計算複雑性である。 この研究は、PCベースのセルフリーMIMOシステムのためのスケーラブルなMQ戦略を設計することを目的としている。 低照準能力体制では,アルファパラレルMQ (アルファ-PMQ) が提案され,その複雑さは各RUに対してのみ指数関数的に増大し,かつ完全なMQに近い性能を示す。 α-PMQは、相互にあまり干渉しないRUの並列ローカル量子化ステップを可能にすることで、ネットワークのトポロジにMQを調整します。 ハイフロントホールキャパシティ・レシスタンスのために、我々は、MQの網羅的なサーチを、ニューラルネットワークベースのデコーダの勾配ベースの更新に置き換えるニューラルMQを導入し、サマリフロントホールキャパシティとともに線形に増大する複雑性を実現する。 数値的な結果から,提案したスケーラブルなMQ戦略は,DUにおける計算複雑性の増大を犠牲にして,低域と高域の両方でCPを上回っている(RUではそうではない)。

関連論文リスト

• Memory-Augmented Hybrid Quantum Reservoir Computing [0.0]
  本稿では、量子計測の古典的後処理を通じてメモリを実装するハイブリッド量子古典的アプローチを提案する。 我々は、完全に連結されたIsingモデルとRydberg原子配列の2つの物理プラットフォーム上でモデルをテストした。
  論文  参考訳（メタデータ） (2024-09-15T22:44:09Z)
• Compiler for Distributed Quantum Computing: a Reinforcement Learning Approach [6.347685922582191]
  本稿では,EPRペアの生成とルーティングを共同で管理することで,実行時間の短縮を優先する新しいコンパイラを提案する。 本稿では, 量子回路の絡み合い生成の性質と動作要求を考慮し, リアルタイムかつ適応的なコンパイラ設計手法を提案する。 i)マルコフ決定過程(MDP)の定式化を用いてDQCの最適コンパイラをモデル化し、最適アルゴリズムの存在を確立し、(ii)この最適コンパイラを近似するために制約付き強化学習(RL)法を導入する。
  論文  参考訳（メタデータ） (2024-04-25T23:03:20Z)
• High-rate discretely-modulated continuous-variable quantum key distribution using quantum machine learning [4.236937886028215]
  本稿では,量子機械学習技術を用いた離散変調連続可変量子鍵分布(DM CVQKD)の高速化手法を提案する。 低複雑さ量子k-アネレスト近傍(QkNN)は、ボブ側での離散変調コヒーレント状態(DMCS)の損失を予測するために設計されている。 シミュレーションにより,提案手法の秘密鍵レートは既存のDM CVQKDプロトコルよりも明らかに優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-07T04:00:13Z)
• Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
  スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。 通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
  論文  参考訳（メタデータ） (2022-10-07T15:39:11Z)
• SDQ: Stochastic Differentiable Quantization with Mixed Precision [46.232003346732064]
  本稿では,MPQ戦略を自動的に学習できる新しい微分可能量子化(SDQ)手法を提案する。 最適なMPQ戦略が得られた後、エントロピーを意識したビン正規化と知識蒸留でネットワークを訓練する。 SDQは、最先端の混合データセット、または低いビット幅で単一精度の量子化よりも優れている。
  論文  参考訳（メタデータ） (2022-06-09T12:38:18Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Towards Efficient Post-training Quantization of Pre-trained Language Models [85.68317334241287]
  PLMのポストトレーニング量子化(PTQ)について検討し,モジュール単位の量子化誤差最小化(MREM)を提案する。 GLUEとSQuADベンチマークの実験により、提案したPTQソリューションはQATに近く動作するだけでなく、トレーニング時間、メモリオーバーヘッド、データ消費を大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2021-09-30T12:50:06Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。