論文の概要: Lightweight Deep Learning-Based Channel Estimation for RIS-Aided Extremely Large-Scale MIMO Systems on Resource-Limited Edge Devices

• arxiv url: http://arxiv.org/abs/2507.09627v1
• Date: Sun, 13 Jul 2025 13:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.659283
• Title: Lightweight Deep Learning-Based Channel Estimation for RIS-Aided Extremely Large-Scale MIMO Systems on Resource-Limited Edge Devices
• Title（参考訳）: 資源制限エッジデバイスを用いたRIS支援超大規模MIMOシステムの軽量ディープラーニングに基づくチャネル推定
• Authors: Muhammad Kamran Saeed, Ashfaq Khokhar, Shakil Ahmed,
• Abstract要約: XL-MIMOシステムにおける効率的なチャネル推定のための軽量なディープラーニングフレームワークを提案する。 本フレームワークは,アンテナ数やRIS要素数の増加にかかわらず,推定精度を大幅に向上し,計算複雑性を低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-generation wireless technologies such as 6G aim to meet demanding requirements such as ultra-high data rates, low latency, and enhanced connectivity. Extremely Large-Scale MIMO (XL-MIMO) and Reconfigurable Intelligent Surface (RIS) are key enablers, with XL-MIMO boosting spectral and energy efficiency through numerous antennas, and RIS offering dynamic control over the wireless environment via passive reflective elements. However, realizing their full potential depends on accurate Channel State Information (CSI). Recent advances in deep learning have facilitated efficient cascaded channel estimation. However, the scalability and practical deployment of existing estimation models in XL-MIMO systems remain limited. The growing number of antennas and RIS elements introduces a significant barrier to real-time and efficient channel estimation, drastically increasing data volume, escalating computational complexity, requiring advanced hardware, and resulting in substantial energy consumption. To address these challenges, we propose a lightweight deep learning framework for efficient cascaded channel estimation in XL-MIMO systems, designed to minimize computational complexity and make it suitable for deployment on resource-constrained edge devices. Using spatial correlations in the channel, we introduce a patch-based training mechanism that reduces the dimensionality of input to patch-level representations while preserving essential information, allowing scalable training for large-scale systems. Simulation results under diverse conditions demonstrate that our framework significantly improves estimation accuracy and reduces computational complexity, regardless of the increasing number of antennas and RIS elements in XL-MIMO systems.
• Abstract（参考訳）: 6Gのような次世代無線技術は、超高データレート、低レイテンシ、高接続性といった要求を満たすことを目的としている。 極大規模MIMO(XL-MIMO)と再構成可能なインテリジェントサーフェス(RIS)は、多数のアンテナを通してスペクトルとエネルギー効率を向上し、RISは受動反射素子を介して無線環境を動的に制御する。 しかし、その潜在能力は正確なチャネル状態情報(CSI)に依存している。 近年のディープラーニングの進歩により,効率の良いチャネル推定が可能になった。 しかし、XL-MIMOシステムにおける既存の推定モデルのスケーラビリティと実用的展開は依然として限られている。 アンテナとRIS要素の増加は、リアルタイムで効率的なチャネル推定、データボリュームの大幅な増加、計算の複雑さの増大、高度なハードウェアの要求、そして結果としてかなりのエネルギー消費に重大な障壁をもたらす。 これらの課題に対処するために,XL-MIMOシステムにおける効率的なチャネル推定のための軽量なディープラーニングフレームワークを提案する。 チャネル内の空間的相関を利用して、我々はパッチレベルの表現に対する入力の次元性を低減し、重要な情報を保持しながら、大規模システムのスケーラブルなトレーニングを可能にするパッチベースのトレーニング機構を導入する。 各種条件下でのシミュレーション結果から,XL-MIMOシステムにおけるアンテナ数やRIS要素の増加にかかわらず,我々のフレームワークは推定精度を大幅に向上し,計算複雑性を低減していることが示された。

関連論文リスト

• Large-Scale Model Enabled Semantic Communication Based on Robust Knowledge Distillation [53.16213723669751]
  大規模モデル(LSM)は意味表現と理解に有効なフレームワークである。 しかしながら、それらの直接的なデプロイメントは、しばしば高い計算複雑性とリソース要求によって妨げられる。 本稿では,新しい知識蒸留に基づくセマンティックコミュニケーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:18Z)
• A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
  自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。 低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-07T00:37:54Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Machine Learning-Based Channel Prediction for RIS-assisted MIMO Systems With Channel Aging [11.867884158309373]
  再構成可能なインテリジェントサーフェス (RIS) は,第6世代 (6G) および通信システムを越えた性能向上のための有望な技術として登場した。 RISの受動的性質とその多数の反射要素は、チャネル推定プロセスに困難をもたらす。 本稿では、自己回帰(AR)予測器と統合された畳み込みニューラルネットワーク(CNN)に基づく、RIS支援マルチインプットマルチアウトプット(MIMO)システムのための拡張チャネル推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-09T19:45:49Z)
• Machine Learning for Metasurfaces Design and Their Applications [20.350142630673197]
  マシン/ディープラーニング(ML/DL)技術は、RIS逆設計の計算コストと時間を削減する上で重要である。 本章は、逆RIS設計とRISアシスト無線システムの両方のためのDL技術のシナプスを提供する。
  論文  参考訳（メタデータ） (2022-11-02T17:19:37Z)
• 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)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Reconfigurable Intelligent Surface Enabled Spatial Multiplexing with Fully Convolutional Network [40.817290717344534]
  RIS(Reconfigurable Surface)は、無線通信システムのための新興技術である。 本稿では,この問題を解決するために完全畳み込みネットワーク(WSNFC)を提案する。 我々は、RISとダイレクトチャネルを経由するカスケードチャネルを含む一連のチャネル機能を設計する。
  論文  参考訳（メタデータ） (2022-01-08T14:16:00Z)
• 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)
• Untrained DNN for Channel Estimation of RIS-Assisted Multi-User OFDM System with Hardware Impairments [11.012356843958282]
  本稿では、RIS支援マルチユーザ単一入出力(SIMO)周波数分割多重化(OFDM)システムのための深層学習に基づく低複雑性チャネル推定手法を提案する。 提案手法は従来の手法に比べて精度と複雑さの点で高い性能を示す。
  論文  参考訳（メタデータ） (2021-07-13T07:30:43Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
  本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。 我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。 完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
  論文  参考訳（メタデータ） (2020-06-03T12:18:57Z)

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。