Core Concepts
物理層におけるAIアプリケーションのトレーニングデータ獲得手法を提案する。
Abstract
I. 概要
AIとML技術が通信ネットワークの発展に重要性を持つ。
物理層での学習アルゴリズムの成功は、トレーニングデータの質と量に依存する。
II. 物理層でのAI利用
ML手法がPHY層で有効な応用を持つ。
3GPPがAI/MLに関する研究項目を進めている。
III. トレーニングデータ生成方法
A. 深層学習用データ
ML手法への適用例が増加している。
通信分野では標準データセットが不足している。
B. チャネル測定
ワイヤレスチャネルは複雑であり、測定によって現実的な情報を得られる。
測定キャンペーンは高度なハードウェアと多大な労力を必要とする。
C. チャネルモデリングとシミュレーション
WINNER IIなど数種類のチャネルモデルが存在し、シミュレーションに使用される。
確率的および決定論的チャネルモデルがある。
IV. 測定支援シミュレーション
A. 測定セットアップと詳細
SDRを使用した柔軟かつ迅速な測定手法が提案されている。
測定結果から主要パラメータを抽出し、シミュレーションに活用されている。
B. パラメータ抽出&シミュレーション
QuaDRiGaを使用したシナリオごとのチャンネルパラメタ設定方法が示されている。
シナリオごとに異なるパラメタ設定ファイルを使用して、精度向上したシュティムレート結果が得られている。
V. 結論
AIアプリケーション向けトレーニングデータ取得手法が提案された。
測定とシュティムレートの組み合わせにより、良好な一致性の結果が示された。
Stats
"WINNER II channel model [12]": WINNER IIチャンネル・マッピングは広範囲な測定に基づく数学的記述である。
"USRP B200/B210 Bus Series, Ettus Research": USRP B200/B210は柔軟かつ迅速な測定セットアップに使用可能。