Jaringan Saraf Buatan Meningkatkan Performa Komunikasi Nirkabel

• Peneliti menggunakan metode terinspirasi otak untuk secara efektif mendeteksi sinyal di akhir penerima.
• Ia didasarkan pada Echo State Network yang menawarkan kinerja tinggi sambil mengonsumsi energi lebih sedikit.

Ilmuwan selalu mencari komunikasi yang lebih efisien dan lebih andal, untuk segala sesuatu dari ponsel seluler dan televisi hingga instrumen medis dan satelit. Teknik yang telah diteliti secara luas 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. Oleh karena itu, sebagian besar masalah yang dihadapi dalam sistem seperti ini terletak pada mendapatkan informasi status saluran yang tepat.

Untuk mengurangi masalah ini dan meningkatkan efisiensi energi penerima nirkabel, peneliti di Virginia Tech menggunakan metode machine learning terinspirasi otak. Ia dapat membuat estimasi saluran redundan dan secara signifikan meningkatkan kinerja di mana sulit untuk membangun hubungan antara input dan output sistem.

Kombinasi MIMO dan OFDM memungkinkan sinyal bergerak dari pengirim ke penerima menggunakan beberapa rute pada waktu yang sama. Salah satu keuntungan utama menggunakan teknik ini adalah ia menghindari multi-path fading sambil meminimalkan interferensi. Ini membawa beberapa manfaat untuk teknologi 4G dan 5G.

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

Referensi: IEEE | Virginia Tech

Reservoir Computing dan Efisiensi

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

Ia didasarkan pada arsitektur unik echo state network, yang menawarkan kinerja tinggi sambil mengonsumsi energi lebih sedikit. Dengan menggunakan kerangka kerja ini, peneliti membuat model yang mampu menunjukkan bagaimana sinyal tertentu berjalan dari pengirim ke penerima. Model ini memungkinkan mereka untuk membuat hubungan sederhana antara input dan output sistem.

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

Baca: Jaringan Saraf adalah Masa Depan Penerjemahan Mesin

Para penulis telah membandingkan teknik ini dengan metode pelatihan lainnya dan menemukan bahwa hasil mereka jauh lebih baik (hemat energi) di akhir penerima.