L'intelligence artificielle dans la communication sans fil
Aujourd'hui, nous vivons dans une époque où l'IA est encore peu répandue, une catégorie définie par les cinq caractéristiques clés suivantes :
1. Le raisonnement logique, par exemple, AlphaGo
2. La perception, par exemple, reconnaissance faciale
3. La représentation des connaissances, par exemple, Watson pour l'oncologie d'IBM
4. Le traitement du langage, par exemple, Siri d'Apple, Alexa d'Amazon
5. La planification et navigation, par exemple, voitures autonomes
Une IA puissante permet aux machines de développer des capacitésqui sont égales ou qui surpassent l'intelligence humaine (par exemple, robots intelligents). Un autre facteur pertinent est l'apprentissage machine (AM)en tant que sous-catégorie de l'IA. Il est, pour l'instant, utilisé pour construire des systèmes qui apprennent des ensembles de donnéesplutôt que des instructions programmées, menant ainsi à un processus d'apprentissage basé sur des réseaux neuronaux multi-couches artificiels. Maintenant, imaginez un futur réseau sans fil qui propose une interface sans fil native IA, rendant les radios capables d'apprendre de l'environnement et l'une de l'autre en se basant sur des réseaux neuronaux entraînés.
Les réseaux neuronaux sont à leur tour une sous-catégorie de l'apprentissage machine et pertinents dans la communication sans fil – comme le montrent les trois exemples de réseaux neuronaux suivants :
1. Réseau neuronal récurrent (RNN): la sortie de l'étape précédente sert d'entrée pour l'étape actuelle (par exemple un traitement de texte). Les RNN sont très utiles pour la prédiction de séries temporelles (“effets mémoire”) et la linéarisation des terminaux RF analogiques, ainsi que pour les sous-systèmes d'antennes à travers les algorithmes de pré- et post-distorsion numériques en se basant sur des modèles AM.
2. Réseau neuronal convolutif (CNN): réseaux neuronaux avec jusqu'à 30 couches. Un CNN traite des faisceaux structurés de données (par exemple conçu à l'origine pour le traitement d'images) et est actuellement une option pour réaliser un récepteur neuronal.
3. Concept d'un auto-encodeur: un type spécifique de réseau neuronal artificiel permettant l'apprentissage efficace du codage de données d'une manière non supervisée. Il vise à entraîner le réseau à ignorer les données insignifiantes. Les auto-encodeurs, par exemple sous la forme de transformateurs, sont actuellement utilisés pour compresser le retour d'informations relatif au statut du canal, qui est recueilli à partir des mesures dans la liaison descendante et renvoyée dans la direction de la liaison montante.