Forskare söker alltid mer tillförlitlig och effektivare kommunikation, för allt från tv -apparater och mobiltelefoner till satelliter och medicinsk utrustning.

En teknik som genererar buzz för sin höga signalkvalitet är en kombination av multipel-ingångar med flera utgångar med ortogonal frekvensdelningsmultiplexering.

Virginia Tech-forskare Lingjia Liu och Yang (Cindy) Yi använder hjärninspirerade maskininlärningstekniker för att öka energieffektiviteten hos trådlösa mottagare.

Deras publicerade fynd, "Införande av grön symbolupptäckt via reservoarberäkning:ett energieffektivitetsperspektiv, "fick bästa papperspriset från IEEE Transmission, Tillgång, och Optical Systems Technical Committee.

Liu och Yi, docent respektive biträdande professorer vid Bradley Department of Electrical and Computer Engineering, tillsammans med Lius doktorand student Rubayet Shafin, samarbetar med forskare från informationsdirektoratet vid U.S. Air Force Research Laboratory — Jonathan Ashdown, John Matyjas, Michael Medley, och Bryant Wysocki.

Denna kombination av tekniker tillåter signaler att resa från sändare till mottagare med flera vägar samtidigt. Tekniken ger minimal störning och ger en inneboende fördel jämfört med enklare vägar för att undvika flervägsfädning, som märkbart snedvrider det du ser när du tittar på tv på en stormig dag, till exempel.

"En kombination av tekniker och frekvens ger många fördelar och är den viktigaste radioåtkomsttekniken för 4G- och 5G -nätverk, "sa Liu." Men korrekt detektering av signalerna på mottagaren och omvandling av dem till något din enhet förstår kan kräva mycket beräkning, och därför energi. "

Liu och Yi använder artificiella neurala nätverk - datasystem inspirerade av hjärnans inre funktioner - för att minimera ineffektiviteten. "Traditionellt, mottagaren kommer att utföra kanaluppskattning innan den detekterar de överförda signalerna, "sa Yi." Med hjälp av artificiella neurala nätverk, vi kan skapa ett helt nytt ramverk genom att detektera överförda signaler direkt på mottagaren. "

Detta tillvägagångssätt "kan avsevärt förbättra systemets prestanda när det är svårt att modellera kanalen, eller när det kanske inte är möjligt att upprätta en enkel relation mellan ingång och utgång, "sa Matyjas, teknisk rådgivare för AFRL:s dator- och kommunikationsavdelning och en Air Force Research Laboratory Fellow.

Reservoarberäkning

Teamet har föreslagit en metod för att träna det artificiella neurala nätverket för att fungera mer effektivt på ett sändar-mottagarpar med hjälp av ett ramverk som kallas reservoarberäkning-speciellt en speciell arkitektur som kallas echo state network (ESN). Ett ESN är ett slags återkommande neuralt nätverk som kombinerar hög prestanda med låg energi.

"Denna strategi tillåter oss att skapa en modell som beskriver hur en specifik signal sprider sig från en sändare till en mottagare, gör det möjligt att upprätta ett enkelt förhållande mellan systemets ingång och utgång, "sa Wysocki, chefsingenjör för Air Force Research Laboratory Information Directorate.

Testar effektiviteten

Liu, Åh, och deras AFRL -medarbetare jämförde sina resultat med resultat från mer etablerade utbildningsmetoder - och fann att deras resultat var mer effektiva, särskilt på mottagarsidan.

"Simulering och numeriska resultat visade att ESN kan ge betydligt bättre prestanda när det gäller beräkningskomplexitet och utbildningskonvergens, "sa Liu." Jämfört med andra metoder, Detta kan betraktas som ett "grönt" alternativ. "