由 dawei 
智东西（公众号：zhidxcom）
编 | 储信仪
备选标题：美国东北大学研究表明，预计将在5G和6G中使用深度学习处理无线电信道
导语：深度学习模型在处理嘈杂的无线电信道时，其分类准确度平均比传统系统高20％。未来深度学习能否精准应对5G与6G的超高频信道受到的干扰挑战？
智东西4月23日消息，昨日，VentureBeat发表报道称，美国东北大学研究人员预计将在5G毫米波和未来的6G太赫兹硬件中使用深度学习技术，来处理嘈杂的无线电信道。
曾经，在用户和网络设备都较少的情况下，上网行为的背后都是由人工选择特定时间、特定频率来支撑网络通信。而随着蜂窝无线电在电话和物联网设备中的发展，用户和网络设备倍增，寻找无干扰频率变得越来越困难，人工选择也变得不再现实。因此研究人员计划使用深度学习来创建认知无线电，这种无线电能立即调整其无线电频率，以实现通信的最佳性能展现。
美国东北大学无线物联网研究所的研究人员表示，蜂窝物联网设备的种类和密度的不断增加，给无线网络优化带来了新的挑战。既定的一段无线电频率可以由100个小型无线电共享，这些小型无线电被设计用于在相同的区域内工作，每个小型无线电设备都具有各自的信号特性，并且依据条件的变化而变化。当给一定的时间段内的频谱进行自由划分时，设备的绝对数量则会降低其固定数学模型的有效性。
这就是深度学习的用处所在。研究人员希望利用嵌入在无线设备硬件中的机器学习技术来提高频率利用率，从而使设备可以自行开发出人工智能优化的频谱使用策略。
早期研究表明，深度学习模型在处理嘈杂的无线电信道时，其分类准确度平均比传统系统高20％，并且能够扩展到数百个同时运行的设备。此外，为此目的开发的深度学习架构也可用于其他多项任务。
在此应用程序中，实现深度学习的一个关键挑战，在于需要快速处理大量数据以进行连续分析。深度学习可能依赖于数千万个参数，并且这可能需要在毫秒级别上测量每秒超过100兆字节的数据。研究人员指出，这超出了“目前最强大的嵌入式设备”的能力。除此之外，如果要求低延迟，则无法在云中处理结果。
因此，研究的目标将是缩小深度学习模型，使其能够在小型设备上运行，并使用复杂的测试工具——“无线数据工厂”，使其可以随着硬件的改进来改进软件，并且提高其抵御竞争攻击的能力。研究人员预计将在5G毫米波和未来的6G太赫兹硬件中使用该学习技术，尽管它们的超高频信号容易受到物理干扰，但在未来的20年中，它们将比4G设备更加普及。
结语：深度学习将为5G和6G认知无线电提供动力
在互联网时代，寻找无干扰频率变得困难。研究人员使用深度学习提高网络频率利用率，助力实现通信的最佳性能展现。
深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。在未来，深度学习还将为5G和6G认知无线电提供动力。
消息来源：VentureBeat