無線通信を強化するニューラルネットワーク

・研究者は、脳の仕組みを元にした方法を使用して、受信機側の信号を効果的に検出しました。

・これは、より少ないエネルギーで高性能を提供するエコーステートネットワークに基づいています。

科学者たちは、携帯電話やテレビから医療機器や衛星に至るまで、常により効率的で信頼性の高い通信を求めています。 広く研究されてきた技術は、直交周波数分割多重方式（multiple-input multiple-output　OFDM）を使用した多入力多出力方式（orthogonal frequency division multiplexing　MIMO）です。

これは、ハイスループット伝送とマルチパスフェージングを安定的に提供します。 ただし、チャネル推定方式が効果的でないと、効率的な受信機の設計は非常に複雑になります。 したがって、システムで直面する問題のほとんどは、正確なチャネル状態情報を取得することです。

これらの問題を減らし、ワイヤレスレシーバーのエネルギー効率を高めるために、VirginiaTechの研究者は脳の仕組みを元にした機械学習手法を使用しました。 これにより、チャネル推定が冗長になり、システムの入力と出力の接続を確立するのが難しい場合に役立ちます。

MIMOとOFDMの組み合わせにより、信号は同時に複数のルートを使用して送信機から受信機に移動できます。 この手法を使用する主な利点の1つは、干渉を最小限に抑えながらマルチパスフェージングを避けることができる点です。 これは、4Gおよび5Gテクノロジーに効果があります。

ただし、受信機側で信号を効率的に識別し、デバイス（モバイルテレビなど）が理解できる形式にエンコードするには、多くの計算リソースとエネルギーが必要です。 これで、人工ニューラルネットワークは非効率性を大幅に減らすことができます。

リザーバーの計算と効率

通常、受信機は送信信号を識別する前にチャネル推定をします。 人工ニューラルネットワークを使って、研究者は受信機側で送信された信号を識別することにより、まったく新しいフレームワークを生成できます。 このフレームワークを Reservoir Computing（RC）と呼びます。

これは、エコー状態ネットワークの独自のアーキテクチャが基本になっていて、消費電力を抑えながら高性能です。 研究者はこのフレームワークを使用して、特定の信号が送信機から受信機にどのように伝わるかを示すことができるモデルを作成しました。 このモデルを使うと、システムの入力と出力の間に直接的な接続を作成できます。

ニューラルネットワークは、リザーバーのシナプスの重み（内層）を更新せずにトレーニングされるため、トレーニングの集約と複雑な計算をする時に優れたパフォーマンスを発揮します。 消費エネルギーを抑えながら、送信機のパワーアンプからの非線形歪みを効果的に処理できます。

この手法を他のトレーニング方法と比較し、受信者側での結果がはるかに優れている（エネルギー効率が高い）ことがわかりました。