Djup RF
- Diarienummer
- ID19-0021
- Projektledare
- Wymeersch, Henk
- Start- och slutdatum
- 200101-241231
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- Chalmers University of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Det övergripande målet med detta projekt är att utreda huruvida tekniker från så kallad djup lärning ("deep learning") kan användas för att skapa en holistisk och effektiv platform för kompensering av imperfektioner i analog radio-hårdvara. Förväntan är att dessa tekniker skall vara bättre i termer av skalbarhet för massiva antennsystem, s.k. massiv MIMO. Detta är delat i tre del-mål: 1. Skapa förståelse för hur holistisk kompensering av hårdvaru-imperfektioner, här inkluderat multipla källor av imperfektioner, kan fungera med hjälp av tekniker från djup lärning. 2. Öka energieffektiviteten i radion via reducerad beräknings-komplexitet och en optimerad användning av hårdvaran. 3. Effektiv kombinering av signalbehandlingsalgoritmer från radio samt fysiska lagret för ökad skalbarhet i ett massiv MIMO kontext. Möjligheter att integrera funktioner från fysiska lagret till radion kommer även att utredas då dessa har en stor påverkan på radio-prestandan. Komponenter som länk-adaption, effekt-allokering, förkodning och kombinering etc. är här inkluderade. Vi ämnar även utreda möjligheterna för övergripande lärning av en radio-länk, inkl. sändar- och mottagar-imperfektioner, då icke-linjära imperfektioner här kan stävja reciprocitets-baserad MIMO. Till sist vill vi skapa en fundamental förståelse av möjliga begränsningar i användandet av djup-lärning för kompensering av imperfekt radio-hårdvara för att kunna jämföra mot konventionella metoder som används idag.
Populärvetenskaplig beskrivning
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.