Применение машинного обучения в системах связи

По мере того, как сети 5G/6G становятся чрезвычайно сложными и разнородными, использование методов искусственного интеллекта (ИИ) и машинного обучения (ML) становится необходимым для выполнения широкого спектра требований. Алгоритмы машинного обучения помогут системе лучше адаптироваться к конкретным сценариям использования с учётом особенностей трафика и требований к качеству. В предыдущих исследованиях мы рассматривали применение ML-алгоритмов (глубоких нейронных сетей, DNN) для задачи декодирования каналов. Легко заметить, что задача декодирования является задачей классификации: выход канала должен быть отнесён к одному из классов (кодовым словам). Существенное отличие этой задачи от типичной задачи классификации заключается в экспоненциально большом количестве классов. Для решения проблемы "проклятия размерности" было предложено сочетать методы глубокого обучения с существующими подходами к декодированию (см. наши работы [1, 2]). В результате мы предложили алгоритм декодирования, основанный на DNN со специальной архитектурой, которая позволяет обучаться только на нулевом кодовом слове.

Мы планируем продолжить это направление исследований и расширить его следующим образом:

1. Предложенная DNN для задачи декодирования каналов построена в соответствии с алгоритмом распространения правдоподобия (Belief Propagation, Min-Sum). Это означает, что она повторяет шаги алгоритма и добавляет обучаемые веса для устранения ловушечных множеств (trapping sets) и улучшения производительности. В литературе уже предложено несколько различных подходов, таких как гиперсети [3], нейронные сети на основе синдромов и другие. Основная задача заключается в определении требований к структуре нейронной сети и предложении более эффективных решений.

2. Другим направлением является построение кодов с исправлением ошибок или оптимизация существующих кодов (например, LDPC и полярных кодов) с использованием ML-методов [4, 5].

3. Алгоритмы ML могут применяться на разных уровнях системы. Мы также планируем рассмотреть задачи оценки беспроводного канала, а также задачи распределения ресурсов и планирования.

Источники:

D. Artemasov, K. Andreev, P. Rybin and A. Frolov, Soft-Output Deep Neural Network-Based Decoding, 2023 IEEE Globecom Workshops (GC Wkshps), Kuala Lumpur, Malaysia, 2023, pp. 1692-1697.
K. Andreev, A. Frolov, G. Svistunov, K. Wu and J. Liang, Deep Neural Network Based Decoding of Short 5G LDPC Codes, XVII International Symposium “Problems of Redundancy in Information and Control Systems” (REDUNDANCY), 2021, pp. 155-160.
Eliya Nachmani, Lior Wolf: Hyper-Graph-Network Decoders for Block Codes. NeurIPS 2019: 2326-2336
Y. Jiang, H. Kim, H. Asnani, S. Kannan, S. Oh and P. Viswanath, "LEARN Codes: Inventing Low-Latency Codes via Recurrent Neural Networks," in IEEE Journal on Selected Areas in Information Theory, vol. 1, no. 1, pp. 207-216, May 2020.
Y. Liao, S. A. Hashemi, J. Cioffi and A. Goldsmith, "Construction of Polar Codes with Reinforcement Learning," GLOBECOM 2020 - 2020 IEEE Global Communications Conference, 2020.