論文の概要: Deep Learning-Based Tri-Hybrid Multi-User MIMO Precoding: The Blessing of EM-Reconfigurable Antennas

• arxiv url: http://arxiv.org/abs/2609.39167v1
• Date: Wed, 30 Sep 2026 07:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.318663
• Title: Deep Learning-Based Tri-Hybrid Multi-User MIMO Precoding: The Blessing of EM-Reconfigurable Antennas
• Title（参考訳）: 深層学習に基づくマルチユーザMIMOプリコーディング:EM再構成可能なアンテナの祝福
• Abstract要約: 本稿では,新たなニューラルネットワークであるConformerをベースとしたトリハイブリドプリコーディングネットワーク(Tri-PNet)を提案する。 その放射パターン選択ネットワーク(RPSNet)は、局所周波数領域と大域周波数領域の相関をキャプチャするためにコンフォーマーエンコーダを使用している。 そのハイブリッドアナログデジタルプリコーディングネットワーク(HPNet)は、クロスアテンションとデュアルパス処理を特異値分解と組み合わせている。
• 参考スコア（独自算出の注目度）: 9.24427245143341
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electromagnetic (EM)-reconfigurable antennas provide multiple candidate radiation patterns per element, thereby introducing an additional EM-domain degree of freedom. Integrating radiation-pattern reconfigurability, realized as EM-domain precoding, with conventional hybrid analog-digital precoding yields tri-hybrid multiple-input multiple-output (MIMO) precoding, which can substantially improve the spectral efficiency of wideband multi-user MIMO orthogonal frequency-division multiplexing (OFDM) systems. However, the joint design of EM, analog, and digital precoding remains challenging. To address this challenge, we propose a tri-hybrid precoding network (Tri-PNet) based on Conformer, an emerging neural architecture that combines the local modeling strength of convolutional neural networks with the global dependency modeling of Transformers. Furthermore, two representative radiation-pattern modes, i.e., the non-regular mode and the 3rd Generation Partnership Project (3GPP) Technical Report (TR) 38.901 mode, are investigated. Tri-PNet is trained in an unsupervised manner to jointly learn EM, analog, and digital precoding by maximizing the average sum spectral efficiency. Its radiation-pattern selection network (RPSNet) employs a Conformer encoder to capture both local and global frequency-domain correlations, whereas its hybrid analog-digital precoding network (HPNet) combines cross-attention and dual-path processing with singular-value-decomposition (SVD) and zero-forcing (ZF) priors. Simulation results under both radiation-pattern modes demonstrate that Tri-PNet outperforms random EM precoding and conventional hybrid MIMO without EM precoding, approaches the greedy EM precoding search scheme with substantially lower online complexity, and remains robust to imperfect channel state information (CSI).
• Abstract（参考訳）: 電磁(EM)再構成可能なアンテナは、素子ごとに複数の候補放射パターンを提供し、追加のEM領域自由度を導入する。 EMドメインプリコーディングとして実現された放射パターン再構成性と従来のハイブリッドアナログデジタルプリコーディングは、広帯域マルチユーザMIMO直交周波数分割多重化(OFDM)システムのスペクトル効率を大幅に向上させる三ハイブリッド多重出力多重出力プリコーディングをもたらす。 しかし、EM、アナログ、デジタルプリコーディングの共同設計は依然として困難である。 この課題に対処するために、畳み込みニューラルネットワークの局所的モデリング強度とTransformerのグローバルな依存性モデリングを組み合わせた、新しいニューラルネットワークであるConformerに基づくトリハイブリッドプリコーディングネットワーク(Tri-PNet)を提案する。 さらに,非規則モードと第3世代パートナーシッププロジェクト(3GPP)技術報告(TR)38.901モードの2つの代表的な放射パターンモードについて検討した。 Tri-PNetは、平均和スペクトル効率を最大化し、EM、アナログ、デジタルプリコーディングを共同で学習するために教師なしの方法で訓練される。 放射パターン選択ネットワーク(RPSNet)は、局所周波数領域と大域周波数領域の相関を捉えるためにコンフォーマーエンコーダを使用しているが、ハイブリッドアナログデジタルプリコーディングネットワーク(HPNet)は、クロスアテンションとデュアルパス処理を特異値分解(SVD)とゼロ強制(ZF)の先行処理を組み合わせたものである。 両モードでシミュレーションした結果,Tri-PNetはEMプリコーディングなしでランダムEMプリコーディングと従来のハイブリッドMIMOより優れており,オンラインの複雑さが著しく低く,チャネル状態情報(CSI)が不完全であることを示す。

関連論文リスト

• Multi-layer MIMO Relay as Deep Physical Neural Networks: Power Amplifiers as Activation Functions [56.870614369768354]
  無線物理ニューラルネットワーク(WPNN)は、アナログハードウェアに直接ニューラルネットワークを埋め込む。 マルチホップマルチインプットマルチアウトプット(MIMO)リレーネットワークにより非線形活性化を実現する深層WPNNを提案する。 提案アーキテクチャは,画像分類の高精度なオーバー・ザ・エア推論を可能にする。
  論文  参考訳（メタデータ） (2026-07-20T09:45:07Z)
• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping [9.43653276377036]
  本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T23:33:06Z)
• DNN-based Methods of Jointly Sensing Number and Directions of Targets via a Green Massive H2AD MIMO Receiver [11.642240670870454]
  本稿では,複数の目標の数値と方向を共同で推定する2段階センシングフレームワークを提案する。 具体的には、改良された固有領域クラスタリング(EDC)フレームワーク、5つの重要な統計特徴に基づく拡張されたディープニューラルネットワーク(DNN)、完全な固有値を利用する改良された1次元畳み込みニューラルネットワーク(1D-CNN)の3つのターゲット番号検出方法が設計されている。 理論的性能ベンチマークとして,複数ソース条件下でのH2ADに対するCram'er-Rao下界(CRLB)を導出する。
  論文  参考訳（メタデータ） (2025-07-15T09:30:57Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• 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)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• Reconfigurable Intelligent Surface Assisted Multiuser MISO Systems Exploiting Deep Reinforcement Learning [21.770491711632832]
  再構成可能なインテリジェントサーフェス(RIS)は、将来の6世代(6G)無線通信システムにおいて重要な技術の一つとして推測されている。 本稿では, 基地局におけるビームフォーミング行列とRISにおける位相シフト行列の接合設計について, 深部強化学習(DRL)の最近の進歩を活用して検討する。 提案アルゴリズムは環境から学習し、その振る舞いを徐々に改善するだけでなく、2つの最先端ベンチマークと比較して同等の性能が得られる。
  論文  参考訳（メタデータ） (2020-02-24T04:28:44Z)

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。