Deep RF
- Reference number
- ID19-0021
- Project leader
- Wymeersch, Henk
- Start and end dates
- 200101-241231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Chalmers University of Technology
- Research area
- Information, Communication and Systems Technology
Summary
The goal of this project is to investigate the use of deep learning techniques in order to create a more holistic and computationally efficient approach to radio hardware mitigation. We expect that this will lead to novel mitigation techniques with improved scalability for massive MIMO systems. Main objectives are: 1. Understanding of how holistic hardware impairment mitigation including multiple sources of impairments and how to enable this using deep learning techniques. 2. Increasing the energy efficiency of the radio via reduced computational complexity and improved utilization of the analogue and mixed signal radio hardware. 3. Efficiently combined radio/PHY layer processing, enabling a more scalable solution to hardware impairment mitigation in a massive MU-MIMO context. Possibilities to include tasks which normally are associated with the physical layer but has impact on the analogue and mixed signal hardware, into the radio signal processing will be investigated. Examples of such functions are link/rate adaptation, power-allocation, pre-coding / combination, scheduling, etc. We aim to investigate end-to-end approaches for learning of the channel incl. transmit and receive impairments as these are non-reciprocal and therefore causes problems in conventional MIMO-systems. Creating a fundamental understanding of the potential limitations of the deep learning approach and benchmarking against conventional methods is an important part of the project.
Popular science description
I projektet ’Djup-RF’ vill vi utreda möjligheterna att använda tekniker från maskinlärning, närmare bestämt djup lärning (DL) för att mer effektivt bemöta de signalbehandlings-behov som uppstår p.g.a. imperfektioner i radio-hårdvaran. Dessa imperfektioner orsakar orenheter i signalkvalitén, vilket kan leda till reducerade data-takter i det egna nätverket, samt orsaka interferens i grann-nätverk. För att undvika detta används idag komplexa algoritmer för att digitalt förkompensera för dessa imperfektioner. Dagens algoritmer är komplicerade och beräknings-tunga, vilket gör att det finns det stort behov för innovation inom området. Att använda metoder från maskinlärning är hittills ett relativt outforskat område. Till att börja med, kommer vi utreda hur DL kan appliceras på enstaka radio-komponenter såsom högeffektsförstärkare, modulatorer och oscillatorer. Därifrån är tanken att leda forskningen mot en mer komplett kompensations-mekanism som, till skillnad från dagens metodik, hanterar en sändare/mottagare som helhet istället för att kompensera per imperfektionskälla i ett sekventiellt förfarande. Som en naturlig följd, kommer detta givetvis utökas till flerantennsystem där en större uppsättning sändare/mottagare kombineras. Nästa steg är att fokusera på energieffektiviteten, delvis genom en förenklad signalbehandlingskedja för sändar- / mottagar-kompensering, men även att träna dessa metoder till att öka utnyttjandegraden av den analoga hårdvaran. Möjligheterna till att integrera funktionaliteter från det fysiska lagret kommer även utredas. Funktioner såsom länk-adaption, effekt-allokering, m.m. har en stor påverkan på radio-prestandan och ur ett energieffektivitets-perspektiv kan det därför finnas vinster i att göra detta i samma steg som kompenseringen av radio-imperfektioner. Till sist ämnar vi utreda de fundamentala gränserna för vad som går att åstadkomma med djup lärning i detta kontext, vilket behövs för att kunna jämföra de föreslagna metoderna med dagens metoder.