A partir de 2016, a nova tecnologia de acesso por rádio 5G conhecida como New Radio foi padronizada pelo 3rd Generation Partnership Project (3GPP) para atender às demandas de serviço de uma ampla gama de aplicações, como Internet das Coisas (IoT), condução autônoma e Realidade Virtual (RV). O primeiro conjunto de especificações do 5G New Radio foi lançado no chamado 3GPP Release 15. Apesar dos avanços já feitos, vários problemas permanecem, principalmente em relação à demanda por taxas de dados mais altas, latências mais baixas e maior robustez. Para seu Ph.D. pesquisa, Yu Zhao abordou os desafios de alocação de energia nas novas tecnologias de rádio 5G, recorrendo a métodos de aprendizado profundo.
Dois elementos-chave que desempenham um papel essencial para enfrentar os desafios do 5G New Radio são o uso do espectro mmWave e a tecnologia massiva de múltiplas entradas massivas de saídas múltiplas (MIMO). Por um lado, muito mais largura de banda está disponível no espectro mmWave do que no espectro sub-6 GHz, o que resulta em taxas de dados mais altas e, por outro lado, o MIMO maciço permite um alto grau de multiplexação por divisão de espaço, o que aumenta a rede capacidade para um determinado espectro.
Recentemente, o MIMO massivo sem célula (CF) foi proposto para melhorar ainda mais a eficiência espectral (SE) e, portanto, a capacidade da rede do sistema. No MIMO massivo de CF, vários pontos de acesso (APs) com várias antenas estão espalhados pela área de cobertura e são conectados a um controlador central (CC) por meio de um fronthaul. Os APs prestam serviço de forma conjunta e coerente aos equipamentos usuários (UEs). Comparado ao massivo MIMO, o CF massivo MIMO é mais robusto contra o desvanecimento da sombra e tem uma distância média menor entre os transmissores e os receptores.
Divulgação geográfica
Devido à dispersão geográfica das antenas, o processamento local do sinal é realizado em cada AP, por exemplo, usando beamforming conjugado (CB), evitando assim a troca de informações de estado do canal (CSI) entre o CC e os APs. No entanto, ao fazer isso, a interferência entre diferentes UEs não pode ser suprimida, como seria o caso ao usar a formação de feixe de força zero (ZFB). Sob essas circunstâncias, a otimização da alocação de energia torna-se não convexa e, portanto, computacionalmente difícil.
Para sua tese, Yu Zhao abordou três problemas desafiadores de alocação de energia: Problema 1, alocação de energia max-min em CF sub-6 GHz MIMO maciço; Problema 2, alocação de energia SE de soma máxima em MIMO maciço CF sub-6 GHz; Problema 3, alocação de energia SE de soma máxima em MIMO maciço de CF mmWave.
Para o Problema 1, ele propôs o uso de aprendizado supervisionado profundo (Deep Supervised Learning – DSL). Para resolver o problema 2, o aprendizado por reforço profundo (Deep Reinforcement Learning – DRL) foi empregado e, para o Problema 3, ele usou o método de rede Q profunda e o método gradiente de política determinista profundo.
Os resultados das simulações de Monte Carlo mostram que o desempenho dos métodos propostos é melhor. Além disso, em comparação com simulações anteriores, o tempo de execução é drasticamente reduzido.
Publicado em 03/02/2022 16h56
Artigo original: