Traitement éco-énergétique pour des systèmes MIMO massifs:une approche de calcul approximative =Energy efficient massive MIMO processing for next generationwireless communication systems: an approximate computingapproach

Avec l'avancée des technologies, les limitations de la norme 5G en matière de débit, connectivité et faible latence exigent le développement de normes pour au-delà de la 5G (B5G -Beyonf 5G).L'émergence de la 6G sous B5G pose des défis concernant l'efficacité énergétique (EE) du traitement des stations de bases (EE -Energy Efficiency).La technologie Multiple Input Multiple Output extrêmement large (XL-MIMO -Extremely Large MIMO), qui améliore l'efficacité spectrale en utilisant des antennes multiples à grande échelle, est essentielle pour la 6G.Toutefois, les systèmes MIMO traditionnels rencontrent des difficultés, notamment une bande passante d'interconnexion élevée et une complexité computationnelle accrue, entraînant des hausses de latence et de consommation d'énergie.La technologie MIMO décentralisée (D-MIMO -Decentralized MIMO) résout ces problèmes en décentralisant les tâches de traitement, réduisant ainsi la bande passante et la complexité, et diminuant la latence et la consommation d'énergie.Le calcul approximatif peut encore améliorer l'Energy Efficiency (EE) en exploitant la résilience aux erreurs du système.L'objectif principal de cette recherche est d'améliorer l'EE dans la détection des signaux sans fil au sein de Multiple Input Multiple Output (MIMO) grâce à une approche en deux niveaux : la décentralisation de l'algorithme et l'intégration du calcul approximatif dans la détection des signaux.La décentralisation de l'algorithme consiste à développer un nouvel algorithme de détection Decentralized MIMO (D-MIMO), en caractérisant différentes topologies matérielles pour l'accumulation et le traitement des gradients nécessaires.Une méthode heuristique pour les circuits de multiplication signée approximative basés sur Field Programmable Gate Array (FPGA) est également proposée, offrant des compromis entre précision et performance matérielle.L'impact des niveaux d'approximation sur la qualité de service (Quality of Service (QOS)) de la détection iv des signaux est étudié avec le modèle Bruit de multiplication approximatif (Approximate Multiplication Noise (AMN)), qui capture les irrégularités causées par la multiplication approximative.Un algorithme de détection D-MIMO, Newton décentralisé (Decentralized Newton (DN)), utilisant l'optimisation de Newton pour le matériel FPGA, est proposé et évalué pour la bande passante d'interconnexion, la complexité computationnelle et d'autres indicateurs de performance clés (Key Performance Indicator (KPI)) de Beyond 5G (B5G).Les circuits de multiplication signée approximative pour FPGA, développés avec la méthodologie clonage logique (Logic Cloning (LC)), sont optimisés pour la précision, la consommation de ressources et l'énergie.La performance des multiplications approximatives est évaluée pour la détection des signaux forçage zéro (Zero Forcing (ZF)) MIMO.Une analyse de l'impact de l'approximation sur le QOS est réalisée en calculant une expression analytique pour le taux d'erreur de symbole (Symbol Error Rate (SER)) à l'aide du modèle AMN.Les analyses de fidélité du signal et de résilience fournissent des informations sur les configurations fiables de multiplication approximative et les seuils de dégradation de la fiabilité du système.En termes de SER, l'algorithme DN est comparable à la détection ZF en bruit Gaussien blanc additif (Additive White Gaussian Noise (AWGN)), maintenant une complexité linéaire constante à travers les clusters d'antennes Base Station (BS).La configuration en étoile de DN utilise moins de ressources, consommant environ 78,4× et 169× moins d'énergie que les méthodes GPU.Pour des opérandes de 16 bits, la méthode LC réduit la consommation des tables de correspondances (Look-Up Table (LUT)) de 31,05% pour Booth et de 36,85% pour Baugh Wooley (BW), tout en réduisant le Power Delay Product (PDP).L'analyse de l'impact de l'approximation sur le QOS dans Single Input Single v Output (SISO) montre que des niveaux d'approximation plus élevés améliorent l'EE dans des conditions de faible rapport signal sur bruit (Signal-to-Noise Ratio (SNR)), tandis que des niveaux plus faibles sont plus efficaces dans des conditions de SNR élevé.Cette recherche jette les bases pour l'amélioration de l'EE de la détection MIMO en utilisant la décentralisation algorithmique et le calcul approximatif.Summary As technology advances, the limitations of the 5G standard in meeting demands for throughput, connectivity, and low latency necessitate the development of B5G communication standards.With 6G emerging as a key development under B5G, a major concern is the EE of BS processing.Extremely Large MIMO (XL-MIMO) technology, which enhances spectral efficiency through multiple antennas at a extremely large scale, is an infrastructure enabler for 6G.However, traditional MIMO systems face challenges such as high interconnect bandwidth and computational complexity when scaled to a large scale, leading to increased latency and energy consumption.D-MIMO addresses these issues by decentralizing processing tasks to reduce interconnection bandwidth and computational complexity, thereby lowering latency and energy consumption.Approximate computing has potential for further enhancing EE by utilizing error-resiliency of the system.The primary objective of this research is to improve EE in wireless signal detection within MIMO through a two-level approach: algorithm decentralization and incorporating approximate computing techniques in signal detection.Algorithm decentralization involves developing a novel D-MIMO detection algorithm characterizing different hardware topologies for accumulation and processing of gradients required for the algorithm.A novel heuristic methodology for FPGA based approximate signed multiplication circuits is also introduced, which provides controlled trade-offs between multiplication accuracy and hardware implementation performance.In systematic analysis of the impact of approximation levels on the QOS of signal detection, novel AMN model is evaluated to capture the irregularities caused due to approximate multiplication used for wireless signal detection.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.