Zukunftsweisende Mehrfachzugriffsverfahren für IMT bis 2030 und darüber hinaus

Core Concepts

Drei Schlüsselmerkmale, die NOMA-unterstützte NGMA aufweisen sollte: Multidimensionale Nutzung, Multimoduskompatibilität und multidimensionale Optimalität.

Abstract

Dieser Beitrag erörtert die Entwicklung von Mehrfachzugriffsverfahren der nächsten Generation (NGMA) für die Internationale Mobilfunktelekommunikation (IMT) bis 2030 und darüber hinaus. Zunächst werden drei Schlüsselmerkmale vorgestellt, die NOMA-unterstützte NGMA aufweisen sollte: Multidimensionale Nutzung: NGMA sollte die Ressourcen aus mehreren Domänen (Zeit, Leistung, Raum) flexibel und effizient nutzen, anstatt auf eine einzelne Domäne beschränkt zu sein. Multimoduskompatibilität: NGMA sollte mit verschiedenen bestehenden Mehrfachzugriffsverfahren kompatibel sein, um eine dynamische Koexistenz zu ermöglichen. Das Konzept des hybriden NOMA ist ein Beispiel dafür. Multidimensionale Optimalität: Die Optimierung von NGMA-Systemen sollte mehrdimensional erfolgen, um die Leistung im Vergleich zu eindimensionalen Optimierungen zu verbessern. Dies ist jedoch technisch anspruchsvoller. Anschließend werden vier vielversprechende Forschungsrichtungen für die Weiterentwicklung von NOMA-unterstützter NGMA diskutiert: Ambient Internet of Things mit Geräten ohne Eigenenergie Nahfeldkommunikation Ausnutzung heterogener Kanalbedingungen Dynamische Langzeit-Systemoptimierung

Stats

Die Rayleigh-Distanz für ein 513-Element-Uniform-Linear-Array bei 30 GHz beträgt etwa 1400 Meter.

Quotes

"für Mehrfachzugriff werden Technologien wie nicht-orthogonaler Mehrfachzugriff (NOMA) und zugriffsfreie Mehrfachzugriffsverfahren erwartet, um die zukünftigen Anforderungen zu erfüllen"

Key Insights Distilled From

Next Generation Multiple Access for IMT Towards 2030 and Beyond

by Zhiguo Ding,... at arxiv.org 04-08-2024

https://arxiv.org/pdf/2404.04012.pdf

Deeper Inquiries

Wie können die Herausforderungen bei der Optimierung von NOMA-unterstützter NGMA unter Berücksichtigung dynamischer Kanalbedingungen und begrenzter Kanalzustandsinformationen gelöst werden?

Die Optimierung von NOMA-unterstützter NGMA unter dynamischen Kanalbedingungen und begrenzten Kanalzustandsinformationen stellt eine komplexe Aufgabe dar. Eine Lösung könnte darin bestehen, adaptive Algorithmen zu entwickeln, die die Kanalbedingungen kontinuierlich überwachen und sich an Veränderungen anpassen. Durch die Implementierung von Machine Learning-Techniken wie Reinforcement Learning können Systeme lernen, optimale Entscheidungen basierend auf begrenzten Informationen zu treffen. Zudem könnten Vorhersagemodelle für die Kanalzustände genutzt werden, um die Systemleistung zu verbessern. Eine Kombination aus dynamischer Ressourcenzuweisung und prädiktiver Optimierung könnte dazu beitragen, die Herausforderungen bei der Optimierung von NOMA-unterstützter NGMA zu bewältigen.

Welche Auswirkungen haben die unterschiedlichen Kanalmodelle für Nah- und Fernfeld-Kommunikation auf die Leistungsfähigkeit von NOMA-unterstützter NGMA, und wie kann dies bei der Systemauslegung berücksichtigt werden?

Die Kanalmodelle für Nah- und Fernfeld-Kommunikation haben signifikante Auswirkungen auf die Leistungsfähigkeit von NOMA-unterstützter NGMA. Im Nahfeld, wo die Kanäle durch sphärische Wellenparametrisiert werden, können die Kanalvektoren zweier Nutzer gering korreliert sein, was die Implementierung von Beam-Sharing erschwert. Im Gegensatz dazu ermöglicht das Fernfeldmodell, dass Nutzer mit hochkorrelierten Kanalvektoren effizient über NOMA bedient werden können. Bei der Systemauslegung von NOMA-unterstützter NGMA ist es entscheidend, die Unterschiede zwischen Nah- und Fernfeldkommunikation zu berücksichtigen. Durch die Anpassung von Beamforming-Strategien und der Ressourcenzuweisung an die spezifischen Kanalmodelle kann die Systemleistung optimiert werden.

Wie können Technologien wie Ambient Backscatter Communication und Reinforcement Learning dazu beitragen, die Energieeffizienz und Adaptivität von NOMA-unterstützter NGMA zu verbessern?

Technologien wie Ambient Backscatter Communication und Reinforcement Learning können wesentlich zur Verbesserung der Energieeffizienz und Adaptivität von NOMA-unterstützter NGMA beitragen. Ambient Backscatter Communication ermöglicht es, die Energiebelastung von Geräten zu reduzieren, indem Signale reflektiert und moduliert werden, um die Übertragung ohne eigene Energiequelle zu ermöglichen. Dies ist besonders nützlich für NGMA, da die Geräte mehrere Übertragungen durchführen müssen. Reinforcement Learning kann eingesetzt werden, um dynamische Entscheidungen zu treffen und die Ressourcenzuweisung in Echtzeit zu optimieren. Durch die Anwendung von Reinforcement Learning können Systeme lernen, wie sie mit begrenzten Informationen effizient arbeiten und sich an sich ändernde Bedingungen anpassen können, was die Gesamtleistung von NOMA-unterstützter NGMA verbessert.