研究人员一直在寻求更可靠，更高效的通信，从电视和手机到卫星和医疗设备。一种为其高信号质量产生嗡嗡声的技术是多输入多输出技术与正交频分复用的组合。弗吉尼亚理工大学的研究人员Lingjia Liu和Yang(Cindy)Yi正在使用大脑启发的机器学习技术来提高无线接收器的能效。

他们发表的研究结果“通过油藏计算实现绿色符号检测：能效效率视角”获得了IEEE传输，接入和光学系统技术委员会颁发的最佳论文奖。刘和易，布拉德利电气与计算机工程系副教授和助理教授，以及刘博士的博士生。学生Rubayet Shafin正在与美国空军研究实验室信息理事会的研究人员Jonathan Ashdown，John Matyjas，Michael Medley和Bryant Wysocki合作。

这种技术组合允许信号同时使用多个路径从发射器传播到接收器。该技术提供的干扰最小，并且提供了比简单路径更大的固有优势，可以避免多径衰落，例如，在暴风雨的日子里观看无线电视时，会明显扭曲您所看到的内容。“技术和频率的结合带来了许多好处，是4G和5G网络的主要无线接入技术，”刘说。“但是，正确检测接收器上的信号并将其转回设备所能理解的信号可能需要大量的计算工作，因此需要能量。”

Liu和Yi正在使用人工神经网络 - 受大脑内部运作启发的计算系统 - 以最大限度地降低效率。“传统上，接收器将在检测传输信号之前进行信道估计，”Yi说。“使用人工神经网络，我们可以通过直接在接收器处检测传输信号来创建一个全新的框架。”AFRL计算和通信部门的技术顾问Matyjas表示，这种方法“可以在难以对信道进行建模时，或者在输入和输出之间建立直接关系时，可以显着提高系统性能。”空军研究实验室研究员。

油藏计算

该团队提出了一种训练人工神经网络的方法，该方法使用称为储层计算的框架 - 特别是称为回波状态网络(ESN)的特殊架构，在发射器 - 接收器对上更有效地运行。ESN是一种将高性能与低能量相结合的递归神经网络。“这种策略允许我们创建一个描述特定信号如何从发射器传播到接收器的模型，从而可以在系统的输入和输出之间建立直接的关系，”Air的总工程师Wysocki说。力研究实验室信息理事会。

测试效率

Liu，Yi和他们的AFRL合作者将他们的研究结果与更成熟的培训方法的结果进行了比较 - 发现他们的结果更有效，特别是在接收方。“模拟和数值结果表明，ESN可以在计算复杂性和训练收敛方面提供明显更好的性能，”刘说。“与其他方法相比，这可以被视为'绿色'选项。”