智東西（公眾號：zhidxcom）編 | 儲信儀
備選標題：美國東北大學研究表明，預計將在5G和6G中使用深度學習處理無線電信道
導語：深度學習模型在處理嘈雜的無線電信道時，其分類準確度平均比傳統系統高20％。未來深度學習能否精準應對5G與6G的超高頻信道受到的干擾挑戰？
智東西4月23日消息，昨日，VentureBeat發表報道稱，美國東北大學研究人員預計將在5G毫米波和未來的6G太赫茲硬件中使用深度學習技術，來處理嘈雜的無線電信道。
曾經，在用戶和網絡設備都較少的情況下，上網行為的背後都是由人工選擇特定時間、特定頻率來支撐網絡通信。而隨著蜂窩無線電在電話和物聯網設備中的發展，用戶和網絡設備倍增，尋找無干擾頻率變得越來越困難，人工選擇也變得不再現實。因此研究人員計劃使用深度學習來創建認知無線電，這種無線電能立即調整其無線電頻率，以實現通信的最佳性能展現。
美國東北大學無線物聯網研究所的研究人員表示，蜂窩物聯網設備的種類和密度的不斷增加，給無線網絡優化帶來了新的挑戰。既定的一段無線電頻率可以由100個小型無線電共享，這些小型無線電被設計用於在相同的區域內工作，每個小型無線電設備都具有各自的信號特性，並且依據條件的變化而變化。當給一定的時間段內的頻譜進行自由劃分時，設備的絕對數量則會降低其固定數學模型的有效性。
這就是深度學習的用處所在。研究人員希望利用嵌入在無線設備硬件中的機器學習技術來提高頻率利用率，從而使設備可以自行開發出人工智能優化的頻譜使用策略。
早期研究表明，深度學習模型在處理嘈雜的無線電信道時，其分類準確度平均比傳統系統高20％，並且能夠擴展到數百個同時運行的設備。此外，為此目的開發的深度學習架構也可用於其他多項任務。
在此應用程序中，實現深度學習的一個關鍵挑戰，在於需要快速處理大量數據以進行連續分析。深度學習可能依賴於數千萬個參數，並且這可能需要在毫秒級別上測量每秒超過100兆字節的數據。研究人員指出，這超出了“目前最強大的嵌入式設備”的能力。除此之外，如果要求低延遲，則無法在雲中處理結果。
因此，研究的目標將是縮小深度學習模型，使其能夠在小型設備上運行，並使用複雜的測試工具——“無線數據工廠”，使其可以隨著硬件的改進來改進軟件，並且提高其抵禦競爭攻擊的能力。研究人員預計將在5G毫米波和未來的6G太赫茲硬件中使用該學習技術，儘管它們的超高頻信號容易受到物理干擾，但在未來的20年中，它們將比4G設備更加普及。
結語：深度學習將為5G和6G認知無線電提供動力
在互聯網時代，尋找無干擾頻率變得困難。研究人員使用深度學習提高網絡頻率利用率，助力實現通信的最佳性能展現。
深度學習使機器模仿視聽和思考等人類的活動，解決了很多複雜的模式識別難題，使得人工智能相關技術取得了很大進步。在未來，深度學習還將為5G和6G認知無線電提供動力。
消息來源：VentureBeat
