人工ニューラルネットワークは無線通信を強化することができます

研究者は、脳に着想を得た方法を使用して、受信機側の信号を効果的に検出します。
Echo State Networkに基づいており、消費電力を抑えながら高性能を提供します。

科学者は、携帯電話やテレビから医療機器や衛星に至るまで、常により効率的で信頼性の高い通信を求めています。広く研究されてきた技術は、直交周波数分割多重方式（OFDM）を使用した多入力多出力（MIMO）方式です。

マルチパスフェージングに対する高スループットの伝送と堅牢性を提供します。ただし、効果的なチャネル推定方式がないと、効率的な受信機の設計は非常に複雑になります。したがって、このようなシステムで直面する問題のほとんどは、正確なチャネル状態情報を取得することにあります。

これらの問題を減らし、ワイヤレスレシーバーのエネルギー効率を高めるために、バージニア工科大学の研究者は脳に着想を得た機械学習手法を使用しています。これにより、チャネル推定が冗長になり、システムの入力と出力の間の接続を確立するのが難しい場合にパフォーマンスが大幅に向上します。

MIMOとOFDMの組み合わせにより、信号は同時に複数のルートを使用して送信機から受信機に移動できます。この手法を使用する主な利点の1つは、干渉を最小限に抑えながらマルチパスフェージングを回避できることです。これにより、4Gおよび5Gテクノロジーにいくつかのメリットがもたらされます。

ただし、受信機側で信号を効率的に識別し、デバイス（モバイルテレビなど）が理解できる形式にエンコードするには、多くの計算リソースとエネルギーが必要です。この場合、人工ニューラルネットワークは非効率性を大幅に減らすことができます。

参照：IEEE |バージニア工科大学

貯水池の計算と効率

通常、受信機は送信信号を識別する前にチャネル推定を実行します。人工ニューラルネットワークの助けを借りて、研究者は受信機側で送信された信号を識別することにより、まったく新しいフレームワークを生成できます。彼らはこのフレームワークをReservoirComputing（RC）と呼んでいます。

これは、エコー状態ネットワークの独自のアーキテクチャに基づいており、消費電力を抑えながら高性能を提供します。このフレームワークを使用して、研究者は特定の信号が送信機から受信機にどのように伝わるかを示すことができるモデルを作成しました。このモデルにより、システムの入力と出力の間に直接的な接続を作成できます。

ニューラルネットワークは、リザーバーのシナプスの重み（内層）を適応的に更新せずにトレーニングされるため、トレーニングの収束と計算の複雑さの点で優れたパフォーマンスを発揮します。低エネルギーを消費しながら、送信機のパワーアンプからの非線形歪みを効果的に処理できます。

読む：ニューラルネットワークは機械翻訳の未来です

著者は、この手法を他のトレーニング方法と比較し、受信者側での結果がはるかに優れている（エネルギー効率が高い）ことを発見しました。

新しいアルゴリズムは、ハッカーと地震によって引き起こされる停電を予測します詩を通して量子物理学を説明する

産業技術