AI models for digital signal processing in future 6G-IoT networks
Modèles IA pour le traitement des signaux numériques dans les futurs réseaux 6G-IoT
Résumé
Wireless technologies are of paramount importance to today's societies and future 6th generation communication networks are expected to address many societal and technological challenges. While communications infrastructures have a growing environmental impact that needs to be reduced, digital technologies also have a role to play in reducing the impact of all sectors of the economy. To this end, the future networks will not only have to enable more efficient information transfer, but also meet the growing need for data exchange capacity. This is particularly the role of the Internet of Things use cases, where a massive number of sensors allow to monitor complex systems. These use cases are associated with many constraints such as limited energy resources and complexity. Therefore, an efficient and low-complexity physical layer - responsible for the transmission of information between the network nodes - is absolutely crucial. In this regard, the use of artificial intelligence techniques is relevant. On the one hand, the mathematical framework of neural networks allows for efficient and low-cost generic hardware implementations. On the other hand, the application of learning procedures can improve the performance of certain algorithms. In this work, we are interested in the use of neural networks and machine learning for digital signal processing in the context of 6G-IoT networks. First, we are interested in the transcription of certain equalisation, demodulation and decoding algorithms from the digital communications literature into neural networks. Secondly, we are interested in the application of learning mechanisms on these neural network structures in order to improve their performance. A linear block decoder is proposed which allows the blind discovery of a decoding scheme whose performance is at least equivalent to that of the reference decoder. Finally, an end-to-end structure is presented, allowing joint learning of an encoding/decoding scheme with performance and complexity comparable to state-of-the-art solutions.
Les technologies sans fil sont d'une importance capitale pour les sociétés d'aujourd'hui et les futurs réseaux de communication de 6ème génération sont appelés à relever nombre de défis sociétaux et technologiques. Si les infrastructures de communication ont un impact environnemental croissant qu'il est essentiel de réduire, les technologies numériques ont également un rôle à jouer dans la réduction de l'impact de tous les secteurs de l'économie. À cette fin, les réseaux du futurs devront non seulement permettre un transfert d'informations plus efficace, mais aussi répondre aux besoins croissants de capacité d'échange de données. C'est notamment le rôle des cas d'utilisation de l'internet des objets, où un nombre massif de capteurs permet de superviser des systèmes complexes. Ces cas d'utilisation sont associés à de nombreuses contraintes telles que des ressources énergétiques et une complexité limitées. Par conséquent, une couche physique - chargée de la transmission de l'information entre les nœuds du réseau - efficace et peu complexe est absolument cruciale. Dans cette optique, l'utilisation de techniques d'intelligence artificielle est pertinente. D'une part, le cadre mathématique des réseaux neuronaux permet des implémentations matérielles génériques efficaces et peu coûteuses. D'autre part, l'application de procédures d'apprentissage permet d'améliorer les performances de certains algorithmes. Dans ce travail, nous nous intéressons à l'utilisation des réseaux de neurones et de l'apprentissage automatique pour le traitement numérique du signal dans le contexte des réseaux 6G-IoT. En premier lieu, nous nous intéressons à la transcription sous forme de réseaux de neurones de certains algorithmes d'égalisation, de démodulation et de décodage issus de la littérature des communications numériques. Dans un second temps, nous nous intéressons à l'application de mécanismes d'apprentissage sur ces structures de réseaux de neurones afin d'en améliorer les performances. Un décodeur de codes linéaires en bloc est proposé et permet la découverte à l'aveugle d'un schéma de décodage dont les performances sont au moins équivalentes à celles du décodeur de référence. Enfin, une structure de bout en bout est présentée, permettant l'apprentissage conjoint d'un schéma de codage/décodage avec des performances et une complexité comparables aux solutions état de l'art.
| Origine | Version validée par le jury (STAR) |
|---|