采用训练后量化的高效深度神经接收机
信号处理
2025-09-22 v1
摘要
深度学习因其相较于传统基于模型的算法具有更优越的性能，近来在无线通信领域引起了极大兴趣。深度卷积神经网络（CNNs）在各种信道模型和移动性场景下，已在误块率（BLER）方面展现出显著改进。然而，深度 CNN 的高计算复杂度和资源需求给其在资源受限的边缘系统中的部署带来了挑战。第三代合作伙伴计划（3GPP）第 20 版强调了人工智能（AI）集成在实现 6G 系统高级无线接入网中的关键作用。5G 和 6G 的硬实时处理需求要求采用高效技术，如训练后量化（PTQ）、量化感知训练（QAT）、剪枝和混合方法，以满足延迟要求。在本文中，我们专注于 PTQ，通过降低权重的位宽来降低模型复杂度，从而提高计算效率。我们的分析采用对称均匀量化，对神经接收机应用逐张量和逐通道 PTQ，实现了与全精度模型相当的性能。具体而言，8 位逐通道量化在保持 BLER 性能的同时仅有极小的退化，而 4 位量化显示出巨大潜力，但需要进一步优化以达到目标 BLER 水平。这些结果凸显了超低位宽 PTQ 在 6G 系统中高效部署神经接收机的潜力。
引用
@article{arxiv.2508.06275,
title = {Efficient Deep Neural Receiver with Post-Training Quantization},
author = {SaiKrishna Saketh Yellapragada and Esa Ollila and Mario Costa},
journal= {arXiv preprint arXiv:2508.06275},
year = {2025}
}