論文の概要: Deep Learning Prediction of Beam Coherence Time for Near-FieldTeraHertz Networks

• arxiv url: http://arxiv.org/abs/2511.01491v1
• Date: Mon, 03 Nov 2025 11:57:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.247861
• Title: Deep Learning Prediction of Beam Coherence Time for Near-FieldTeraHertz Networks
• Title（参考訳）: 近接場テラヘルツネットワークにおけるビームコヒーレンス時間のディープラーニング予測
• Authors: Irched Chafaa, E. Veronica Belmega, Giacomo Bacci,
• Abstract要約: アンテナの数が増加するにつれて、移動ネットワークにおけるビームアライメントとビームトラッキングは禁忌のオーバーヘッドを招く。 本稿では,移動体THzネットワークにおけるビームコヒーレンス時間を導入し,ビーム更新率を大幅に削減する。 本稿では,時間依存入力を持つ単純なフィードフォワードニューラルネットワークを用いた深層学習モデルを提案し,ビームコヒーレンス時間を予測するとともに,最小限のオーバーヘッドでハエのビームフォーミングを調整する。
• 参考スコア（独自算出の注目度）: 1.9396184042930713
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large multiple antenna arrays coupled with accurate beamforming are essential in terahertz (THz) communications to ensure link reliability. However, as the number of antennas increases, beam alignment (focusing) and beam tracking in mobile networks incur prohibitive overhead. Additionally, the near-field region expands both with the size of antenna arrays and the carrier frequency, calling for adjustments in the beamforming to account for spherical wavefront instead of the conventional planar wave assumption. In this letter, we introduce a novel beam coherence time for mobile THz networks, to drastically reduce the rate of beam updates. Then, we propose a deep learning model, relying on a simple feedforward neural network with a time-dependent input, to predict the beam coherence time and adjust the beamforming on the fly with minimal overhead. Our numerical results demonstrate the effectiveness of the proposed approach by enabling higher data rates while reducing the overhead, especially at high (i.e., vehicular) mobility.
• Abstract（参考訳）: 正確なビームフォーミングと結合した大型の複数のアンテナアレイは、リンク信頼性を確保するためにテラヘルツ通信において不可欠である。 しかし、アンテナの数が増加するにつれて、移動ネットワークにおけるビームアライメント(焦点)とビームトラッキングは禁忌のオーバーヘッドを招く。 さらに、近接場領域はアンテナアレイの大きさとキャリア周波数の両方で拡張され、従来の平面波の仮定ではなく球面波面を考慮したビームフォーミングの調整が求められる。 本稿では,移動体THzネットワークにおけるビームコヒーレンス時間を導入し,ビーム更新率を大幅に削減する。 そこで本研究では,時間依存の入力を持つ単純なフィードフォワードニューラルネットワークを用いた深層学習モデルを提案し,ビームコヒーレンス時間を予測するとともに,最小限のオーバーヘッドでハエのビームフォーミングを調整する。 提案手法の有効性は,特に高(車体)移動時のオーバーヘッドを低減しつつ,高いデータレートを実現し,提案手法の有効性を示す。

関連論文リスト

• Beam Prediction based on Large Language Models [51.45077318268427]
  時系列予測タスクとしてミリ波(mmWave)ビーム予測問題を定式化する。 我々は、歴史的観測をトレーニング可能なトークン化器を用いてテキストベースの表現に変換する。 提案手法はLLMのパワーを利用して将来の最適ビームを予測する。
  論文  参考訳（メタデータ） (2024-08-16T12:40:01Z)
• 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)
• Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward? [85.06664206117088]
  マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。 既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。 ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:02:46Z)
• Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
  我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。 我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
  論文  参考訳（メタデータ） (2022-10-23T05:57:39Z)
• Federated Learning for THz Channel Estimation [44.058714794775995]
  本稿では, テラヘルツ (THz) チャネル推定における2つの大きな課題, ビーム分割現象と計算複雑性について述べる。 データ駆動技術は、この問題の複雑さを軽減するために知られていますが、通常、ユーザーから中央サーバーへのデータセットの送信が必要です。 本研究では,データセット全体ではなく,モデルパラメータのみを送信するフェデレートラーニング(FL)を採用している。
  論文  参考訳（メタデータ） (2022-07-13T07:57:25Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Deep Learning Based Antenna Selection for Channel Extrapolation in FDD Massive MIMO [54.54508321463112]
  大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。 ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。 アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
  論文  参考訳（メタデータ） (2020-09-03T13:38:52Z)
• Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks [7.879958190837517]
  DeepIAは、5Gミリ波(mmWave)ネットワークにおける高速で正確な初期アクセス(IA)のためのディープラーニングソリューションである。 そこで,DeepIAは,ビームの除去によりIA時間を短縮し,視線(LoS)および非視線(NLoS)mm波流路条件において従来のIAのビーム予測精度を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2020-06-22T22:35:17Z)
• Beamforming Learning for mmWave Communication: Theory and Experimental Validation [23.17604790640996]
  本稿では,最小ビームフォーミングゲインを保証しながら,探索時間を短縮し,CSIを必要としないビーム設計手法を提案する。 提案手法の有効性を,実生活計測によるコードブックの構築と性能評価の観点から評価する。
  論文  参考訳（メタデータ） (2019-12-28T05:46:39Z)

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。