Koneoppimiseen perustuva radioresurssien allokointi Beyond-5G:n massiivisille MIMO-verkoille

Tämän opinnäytetyön tavoitteena on suunnitella uudenlaisia matalan kompleksisuuden radioresurssien jakoalgoritmeja MU-MIMO
(multi-user multiple-input multiple-output) -solukkoverkkojärjestelmiin ja soluttomiin mMIMO (massive MIMO) -järjestelmiin koneoppimisen avulla.

Ensin ehdotetaan valvomattoman oppimisen avulla tapahtuvaa nousevan siirtotien tehonohjausta. Siinä syvä neuroverkko koulutetaan optimoimaan suoraan optimointitavoitteen yli, jotta se oppii optimaaliset tehonjakotulokset. Tämä uusi lähestymistapa tekee tiedonkeruusta ja mallin koulutusvaiheesta yksinkertaisempaa ja joustavampaa. Se mahdollistaa myös verkko-oppimisen, joka parantaa suorituskykyä entisestään. Tämän jälkeen tarkastellaan käytännöllisempää ja edullisempaa soluttoman verkon kokoonpanoa, jossa on laitteistovikoja ja rajallisesti kapasiteetin fronthaul-linkkejä liityntäpisteiden ja keskusyksikön välillä. Sen osalta ehdotetaan oppimiseen perustuvaa yhteistä nousevan siirtotien tehonjakoa. Sen avulla voidaan saavuttaa samanlainen suorituskyky ja huomattavasti alhaisempi laskennallinen monimutkaisuus verrattuna optimointiin perustuvaan ratkaisuun sekä syvän neuroverkon joustavuus ja yleistettävyys, kun soluttoman verkon kokoonpanot muuttuvat.

Seuraavaksi tutkitaan lähetysantennin mykistämistä MU-MIMO-solukkojärjestelmässä, jotta tukiaseman tehonkulutusta voidaan vähentää käyttämällä vain osaa tukiaseman antennielementeistä samalla, kun käyttäjäkohtaiset palvelun laatuvaatimukset täyttyvät. Kombinatorisen optimointiongelman laskennallisen monimutkaisuuden ratkaisuksi ehdotetaan neuraalista antennin mykistystä sekä useita heuristiikkoja, kuten ahneeseen menetelmään perustuvaa ratkaisua. Neuraalisessa antennin mykistyksessä käytetään valvotusti koulutettua luokittelevaa syvää neuroverkkoa, jossa on erityinen häviöfunktio. Sen avulla arvioidaan yhden perusratkaisun ulostulot. Neuraalisen antennin mykistyksen osoitetaan johtavan merkittäviin energiansäästöihin täyteen siirtoon verrattuna 3GPP-yhteensopivalla järjestelmätason simulaattorilla suoritettujen numeeristen simulaatioiden avulla. Lisäksi osoitetaan, että sen laskennallinen monimutkaisuus on huomattavasti pienempi kuin heurististen ratkaisujen, mikä osoittaa neuraalisen antennin mykistyksen mahdollisuudet käytännön toteutuksessa.