Американские исследователи применяют метод машинного обучения, созданный по аналогии с работой мозга, чтобы улучшить эффективность беспроводных приемников энергии.
За работу, опубликованную в журнале 2018 IEEE International Conference on Communications (ICC), Лингия Лю и Ян (Синди) И из Политехнического университета Виргинии получили премию Best Paper Award от технического комитета IEEE Transmission, Access, and Optical Systems.
Созданная специалистами техническая система обеспечивает передачу сигналов от передатчика к приемнику по нескольким каналам одновременно. Данный подход способствует снижению помех и дает значительное преимущество перед более простыми методами, направленными на предотвращение многолучевого распространения сигнала, которое может существенно ухудшить качество изображения, например, при просмотре беспроводного телевидения в условиях неблагоприятной погоды. Лю и И используют искусственные нейронные сети для минимизации потери сигнала.
«Как правило, перед тем как начать прием сигнала, устройство проводит оценку канала, — отмечает И. — С помощью искусственных нейронных сетей возможно создание принципиально иной структуры, основанной на регистрации переданных сигналов непосредственно в приемнике».
По мнению экспертов, данный метод способен оказать значительное улучшить производительность системы при столкновении со сложностями моделирования канала или невозможности установления непосредственного отношения между входом и выходом.
Лю, И и их коллеги сопоставили полученные данные с результатами, предлагаемыми традиционными методами, и выявили, что их подход демонстрирует большую эффективность, в особенности с точки зрения работы приемника.
Команда предложила метод обучения искусственной нейронной сети более эффективной работе на паре передатчик-приемник с использованием структуры, известной как резервуарное вычисление — в частности, специальной архитектуры эхосети (echo state network, ESN).
«По словам Лю, симуляция и числовые данные продемонстрировали, что ESN обладает значительно более высокой эффективностью с точки зрения вычислительной нагрузки и скорости сходимости обучения. В сравнении с альтернативными подходами, этот метод можно рассматривать как экологически безопасное решение».