Inlärningsbaserad hårdvarudesign för 5G
- Diarienummer
- ID17-0114
- Start- och slutdatum
- 180101-221231
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Projektets inriktning och mål: Inriktningen för detta forskningsprojekt kommer att vara att utveckla radiosignalbehandlingsalgoritmer för 5G med syfte att mildra effekten av defekter i hårdvara speciellt för spektrumdelning inom mmWave. Metoderna ska vara lämpliga och skalbara för så kallade ”massive MIMO-systems” och därmed utnyttja egenskapen att det finns flera antenner både vid basstation i handterminalerna. Algoritmerna kommer att vara sådana att de succesivt lär sig vilka faktorer de ska beakta utifrån förutsättningarna i den specifika miljön de är verksamma i. Arbetsplan: Projektet genomförs i tre faser. Varje fas motsvarar ett av de följande tre mål: Fas 1: Karaktärisering av prestandamått för spektrumdelning, samt karaktärisering av de effekter som hårdvaran ger upphov till i ”massive MIMO-systems” Fas 2: Framtagning av metoder för undertryckning av hårdvarans defekter för att underlätta spektrumdelning Fas 3: Framtagning av teoretiska modeller för effektiv spektrumdelning under begränsad samordning Dessa tre faser planeras att utföras på ett iterativt och cykliskt sätt för att på så sätt förfina de framtagna modellerna och metoderna för att underlätta spektrumdelning. Förväntade resultat: Vi kommer att ordna workshops två gånger per år. Externt riktar vi in oss på att publicera i de mest prestigefulla konferenserna och tidskrifter av IEEE. Populärt så planerar vi att sammanfatta resultaten för Forskning och Framsteg eller Elektroniktidningen.
Populärvetenskaplig beskrivning
The Fifth Generation Networks (5G) will arguably be the foundation for the connected society and the digital revolution. 5G will be characterised not only by traffic capacity, achievable user data rates, mobility and coverage, but also by reliability, latency, network energy efficiency and scalability in terms of the number connected devices (smart phones, personal computers, sensors and actuators). To meet 5G requirements, the wireless research and standardization communities are investigating various technology enablers including operation in very wide spectrum bands beyond 6 GHz – such as millimeter wave (mmWave) bands – deployment of massive multiple number antennas at both transmitter and receiver, i.e., so-called massive multiple input and multiple output (MIMO), wireless access point densification and smart system design techniques that facilitate the cost efficient deployment of the wireless Internet of Things (IoT). The 5G infrastructure for the networked society will be drastically different from existing broadband network equipment and hardware platforms. The current practice of mobile communications equipment design and deployment assumes static operation conditions, including the spectrum band, in which the demand for specific services, traffic load and technical requirements on latency, reliability and energy efficiency do not change significantly in time. Specifically, the 5G infrastructure, as a platform for the specific vertical industry segments and associated IoT applications must be able to adapt to the specific environment in which it operates. The Learning Based Hardware Design for 5G Systems project addresses the challenges above by applying machine learning for self-adaptable radio hardware design to support the operation of telecommunications equipment in environments whose characteristics and imposed requirements are unknown a-priori. Thus, the current practice of hardware design will be improved by incorporating and adopting the techniques of machine learning that will enable the deployed hardware to analyse its environment, recognize favourable operational conditions and adapt to changing service requirements. We believe that this learning capability for 5G hardware design will become a key distinctive factor beyond the realm of 5G wireless infrastructure.