論文の概要: Impact of Nonlinear Power Amplifier on Massive MIMO: Machine Learning Prediction Under Realistic Radio Channel
- arxiv url: http://arxiv.org/abs/2604.15977v1
- Date: Fri, 17 Apr 2026 11:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.901761
- Title: Impact of Nonlinear Power Amplifier on Massive MIMO: Machine Learning Prediction Under Realistic Radio Channel
- Title（参考訳）: 非線形パワーアンプがMIMOの大規模化に与える影響:リアルラジオチャンネルにおける機械学習予測
- Authors: Marcin Hoffmann, Paweł Kryszkiewicz,
- Abstract要約: まず,M-MIMOシステムにおける非線形歪みを,よく用いられる無線チャネルモデルに基づいて理論的に特徴づける。
次に、3D-RT結果を用いた統計モデルとMLベースのモデルを提案する。
その結果,MLに基づく配電方式により,ユーザスループットの中央値が約12%向上したことがわかった。
- 参考スコア（独自算出の注目度）: 3.48062676775249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: M-MIMO is one of the crucial technologies for increasing spectral and energy efficiency of wireless networks. Most of the current works assume that M-MIMO arrays are equipped with a linear front end. However, ongoing efforts to make wireless networks more energy-efficient push the hardware to the limits, where its nonlinear behavior appears. This is especially a common problem for the multicarrier systems, e.g., OFDM used in 4G, 5G, and possibly also in 6G, which is characterized by a high Peak-to-Average Power Ratio. While the impact of a nonlinear Power Amplifier (PA) on an OFDM signal is well characterized, it is a relatively new topic for the M-MIMO OFDM systems. Most of the recent works either neglect nonlinear effects or utilize simplified models proper for Rayleigh or LoS radio channel models. In this paper, we first theoretically characterize the nonlinear distortion in the M-MIMO system under commonly used radio channel models. Then, utilizing 3D-Ray Tracing (3D-RT) software, we demonstrate that these models are not very accurate. Instead, we propose two models: a statistical one and an ML-based one using 3D-RT results. The proposed statistical model utilizes the Generalized Extreme Value (GEV) distribution to model Signal to Distortion Ratio (SDR) for victim users, receiving nonlinear distortion, e.g., as interference from neighboring cells. The proposed ML model aims to predict SDR for a scheduled user (receiving nonlinear distortion along with the desired signal), based on the spatial characteristics of the radio channel and the operation point of each PA feeding at the M-MIMO antenna array. The predicted SDR can then be used to perform PA-aware per-user power allocation. The results show about 12% median gain in user throughput achieved by the proposed ML-based power allocation scheme over the state-of-the-art, fixed operating point scheme.
- Abstract（参考訳）: M-MIMOは、無線ネットワークのスペクトルとエネルギー効率を高めるための重要な技術の一つである。
現在の作業の多くは、M-MIMOアレイが線形フロントエンドを備えていることを前提としている。
しかし、無線ネットワークをよりエネルギー効率よくするための継続的な取り組みは、ハードウェアをその非線形な振る舞いが現れる限界まで押し上げる。
これは、特に4G、5G、おそらくは6Gで使われるOFDMや、ピーク・ツー・アベレージ・パワー比の高いマルチキャリアシステムでは一般的な問題である。
OFDM信号に対する非線形パワー増幅器(PA)の影響は良好であるが、M-MIMO OFDMシステムにとって比較的新しい話題である。
最近の研究の多くは、非線形効果を無視するか、レイリーやLoSのラジオ・チャンネル・モデルに適した単純化されたモデルを利用するかのどちらかである。
本稿では,M-MIMOシステムにおける非線形歪みを,よく用いられる無線チャネルモデルの下で理論的に特徴付ける。
そして,3D-ray Tracing(3D-RT)ソフトウェアを用いて,これらのモデルがあまり正確でないことを示す。
その代わりに、3D-RT結果を用いた統計モデルとMLベースモデルという2つのモデルを提案する。
提案した統計モデルは, 一般化極値(GEV)分布を用いて, SDR(Signal to Distortion Ratio)を被害者に対してモデル化し, 近隣細胞からの干渉として非線形歪み, eg を受信する。
提案するMLモデルは,M-MIMOアンテナアレイに送受信する各PAの空間特性と動作点に基づいて,スケジュールされたユーザに対してSDRを予測することを目的としている。
予測されたSDRは、ユーザ毎のPA対応のパワーアロケーションを実行するために使用することができる。
この結果から,MLに基づく電力配分方式によって実現されたユーザスループットの中央値が約12%向上したことを示す。
関連論文リスト
- RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。
ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。
提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
論文 参考訳（メタデータ） (2026-02-21T07:50:05Z) - Wideband Quantum Transduction for Rydberg Atomic Receivers Using Six-Wave Mixing [49.799227408938144]
ライドバーグ原子受信機は電場に対して非常に高い感度を持つ。
従来の電磁誘導透過(EIT)下での有効3dBベースバンド帯域幅は、通常、数十から数百キロヘルツに制限される。
広帯域無線周波数(RF)-光量子トランスデューサとして6波混合(SWM)ベースのRydberg原子受信機について検討する。
論文 参考訳（メタデータ） (2026-02-15T02:08:30Z) - 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している
信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。
本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-24T11:47:17Z) - Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。
回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。
データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
論文 参考訳（メタデータ） (2025-08-22T14:06:21Z) - Learning to Quantize and Precode in Massive MIMO Systems for Energy Reduction: a Graph Neural Network Approach [4.4850318157662885]
チャネル行列と意図する送信シンボルに基づいて、事前符号化された量子化されたベクトルを直接出力するグラフニューラルネットワーク(GNN)を提案する。
提案手法は粗い量子化の下で達成可能な和率を大幅に向上させる。
論文 参考訳（メタデータ） (2025-07-14T12:16:50Z) - Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。
この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
論文 参考訳（メタデータ） (2024-10-02T17:53:23Z) - Toward Energy-Efficient Massive MIMO: Graph Neural Network Precoding for
Mitigating Non-Linear PA Distortion [1.7495213911983414]
グラフニューラルネットワーク(GNN)は、チャネルとプリコーディング行列の間のマッピングを学習し、非線形歪みによる和率を最大化する。
歪み制限方式では、このGNNベースのプリコーダは、ゼロ強制(ZF)、ZF、デジタル事前歪み(DPD)および歪み対応ビームフォーミング(DAB)プリコーダよりも優れる。
論文 参考訳（メタデータ） (2023-12-05T13:25:35Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Self-Supervised Learning of Linear Precoders under Non-Linear PA
Distortion for Energy-Efficient Massive MIMO Systems [9.324642081509756]
大規模多重入力多重出力(MIMO)システムは通常、線形パワー増幅器(PA)を前提として設計される。
しかしながら、PAは典型的には、飽和点近くで作動するときに最もエネルギー効率が良く、非線型歪みを引き起こす。
本研究では,チャネル行列とプリコーディング行列とのマッピングをニューラルネットワーク(NN)で学習し,この非線形歪みの存在を最大化する手法を提案する。
論文 参考訳（メタデータ） (2022-10-13T13:48:50Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z) - Massive MIMO As an Extreme Learning Machine [83.12538841141892]
低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作
受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
論文 参考訳（メタデータ） (2020-07-01T04:15:20Z)
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。