Jaringan Syaraf Tiruan Dapat Meningkatkan Komunikasi Nirkabel

• Para peneliti menggunakan metode yang terinspirasi dari otak untuk secara efektif mendeteksi sinyal di ujung penerima.
• Berdasarkan Echo State Network yang menawarkan performa tinggi sambil mengonsumsi lebih sedikit energi.

Para ilmuwan selalu mencari komunikasi yang lebih efisien dan lebih andal, untuk segala hal mulai dari ponsel dan televisi hingga instrumen medis dan satelit. Teknik yang banyak dipelajari adalah metode multiple-input multiple-output (MIMO) dengan orthogonal frequency division multiplexing (OFDM).

Ini menawarkan transmisi throughput tinggi dan ketahanan terhadap multi-path fading. Namun, desain penerima yang efisien menjadi sangat kompleks tanpa skema estimasi saluran yang efektif. Jadi, sebagian besar masalah yang dihadapi dalam sistem semacam itu terletak pada mendapatkan informasi status saluran yang tepat.

Untuk mengurangi masalah ini dan meningkatkan efisiensi energi penerima nirkabel, para peneliti di Virginia Tech menggunakan metode pembelajaran mesin yang terinspirasi dari otak. Ini dapat membuat estimasi saluran menjadi berlebihan dan secara signifikan meningkatkan kinerja di mana sulit untuk membuat koneksi antara input dan output sistem.

Kombinasi MIMO dan OFDM memungkinkan sinyal berpindah dari pemancar ke penerima menggunakan beberapa rute secara bersamaan. Salah satu keuntungan utama menggunakan teknik ini adalah menghindari multipath fading sambil meminimalkan interferensi. Ini membawa beberapa manfaat bagi teknologi 4G dan 5G.

Namun, mengidentifikasi sinyal di ujung penerima secara efisien dan mengkodekannya ke dalam format yang dapat dipahami oleh perangkat (seperti televisi seluler) membutuhkan banyak sumber daya dan energi komputasi. Dalam hal ini, jaringan saraf tiruan dapat mengurangi inefisiensi ke tingkat yang lebih besar.

Referensi:IEEE | Teknologi Virginia

Komputasi dan Efisiensi Reservoir

Biasanya, penerima melakukan estimasi saluran sebelum mengidentifikasi sinyal yang ditransmisikan. Dengan bantuan jaringan saraf tiruan, peneliti dapat menghasilkan kerangka kerja baru dengan mengidentifikasi sinyal yang ditransmisikan di ujung penerima. Mereka menyebut kerangka kerja ini Reservoir Computing (RC).

Ini didasarkan pada arsitektur unik jaringan keadaan gema, yang menawarkan kinerja tinggi sambil mengonsumsi lebih sedikit energi. Dengan menggunakan kerangka kerja ini, peneliti membuat model yang mampu mendemonstrasikan bagaimana sinyal tertentu bergerak dari pemancar ke penerima. Model ini memungkinkan mereka membuat koneksi langsung antara input dan output sistem.

Karena jaringan saraf dilatih tanpa secara adaptif memperbarui bobot sinaptik reservoir (lapisan dalam), ia berkinerja lebih baik dalam hal konvergensi pelatihan dan kompleksitas komputasi. Ini dapat secara efektif menangani distorsi nonlinier dari penguat daya di pemancar sambil mengkonsumsi energi yang rendah.

Baca:Neural Networks adalah Masa Depan Penerjemahan Mesin

Penulis telah membandingkan teknik ini dengan metode pelatihan lain dan menemukan bahwa hasilnya jauh lebih baik (hemat energi) di pihak penerima.