Robust and Efficient Millimeter-Wave Massive MIMO Hybrid Precoding Architecture based on the Perceiver Neural Network
Notice bibliographique
Résumé
<p>Hybrid precoding has been envisaged as an attractive alternative to fully digital precoding in massive multiple-input-multiple-output (mMIMO) systems, where it can ultimately reduce the cost and the power consumption while maintaining an acceptable sum rate. Within this context, deep learning (DL) is proposed as an optimization tool to realize this. However, most of the existing DL based hybrid precoding solutions are based on the convolutional neural networks (CNNs), which have inductive bias that limits the learning capability of the highly stochastic massive MIMO channel. Conversely, the present contribution proposes a novel DL based hybrid precoder that can achieve an improved performance at a reduced computation time compared to the CNN based techniques. This is achieved through the design of a Perceiver Neural Network (PNN) architecture for hybrid precoding, where the PNN accepts a noisy channel matrix as an input and produces the analog precoder and combiners as an output. Also, the proposed architecture learns to reshape the input data in order to achieve the best accuracy through a novel trainable reshaping module. Our design involves an offline phase, in which we build our realistic ray tracing based massive MIMO dataset to train our Perceiver-based hybrid precoder (PBHP). In this context, we conduct extensive experiments to compare the PBHP with a CNN-based hybrid precoder (CNN-HP). It is extensively shown that the proposed PBHP outperforms the CNN-HP in terms of both accuracy and inference time. Moreover, the PBHP is more robust when the transmit power is low and the number of antennas is large. Finally, the offered results demonstrate that the PBHP exhibits a drastically less inference time (by nearly an order of magnitude) than the CNN-HP, especially for higher number of antennas, rendering it a promising candidate for the next-generation wireless networks.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».