Operating Multi-User Massive MIMO Networks: Trade-Off Between Performance and Runtime
Notice bibliographique
Résumé
While multi-user (MU) massive MIMO is a critical technology for next generation wireless systems, its complexity poses significant operational challenges as it entails several processes. These include user selection, precoding, power distribution among the users, and Modulation and Coding Scheme (MCS) selection. While many studies have been conducted on MU-MIMO, most have made invalid assumptions (e.g., every non-zero signal received at a user yields a non-zero rate) or excluded some essential steps (e.g., MCS selection). We revisit the problem of operating a single-cell massive MIMO network with zero-forcing precoding, and develop real-time network operation algorithms. First, we relax the real-time constraint and perform an offline study to obtain a target performance for online algorithms. The joint problem can be solved exactly offline for small to medium sized settings using branch-reduce-and-bound. For larger settings, we note that, given a choice of user selection, the problem reduces to a power distribution problem that can be solved exactly. Thus, the joint problem reduces to a search over user-sets where for each considered user-set, a power distribution problem is solved. We propose various search methods and evaluate their performance. For online operation, we leverage the problem structure to propose an algorithm based on three ideas: i) grouping, 2) MCS-aware power distribution, and 3) an iterative process to remove users that see a zero rate. The algorithm achieves 94% of the performance target set by the offline study results.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».