大规模 MIMO 预编码的站点特定深度神经网络压缩
信号处理
2025-02-14 v1 机器学习
摘要
大规模 MIMO 系统中使用深度学习 (DL) 模型进行预编码往往受限于高计算需求和能源消耗。本文研究基于 DL 方法的 mMIMO 预编码器的计算能源效率，进行能源消耗建模，考虑 DL 加速器中的内存访问和计算能耗。我们提出一种框架，集成混合精度量化感知训练和神经网络结构搜索，以降低能源使用而不牺牲精度。使用覆盖多个基站站点的射线追踪数据集，我们分析站点特定条件如何影响压缩模型的能源效率。结果表明，深度神经网络压缩生成的预编码器在性能相当的情况下，可实现比 WMMSE 高出最高 35 倍的能源效率，具体取决于场景和所需速率。这些结果为开发面向能源效率的 DL 基于 mMIMO 预编码器奠定了基础并提供了基准。
引用
@article{arxiv.2502.08758,
title = {Compression of Site-Specific Deep Neural Networks for Massive MIMO Precoding},
author = {Ghazal Kasalaee and Ali Hasanzadeh Karkan and Jean-François Frigon and François Leduc-Primeau},
journal= {arXiv preprint arXiv:2502.08758},
year = {2025}
}
备注
This preprint comprises 6 pages and features 3 figures. It has been accepted to the IEEE International Conference on Machine Learning and Computer Networking (ICMLCN) 2025