基于神经形态计算的卫星通信星上无线电资源管理节能方法
系统与控制
2023-08-23 v1 机器学习
系统与控制
摘要
最新的卫星通信(SatCom)任务以完全可重构的星上软件定义载荷为特征，能够依据系统业务的时间和空间变化自适应调配无线电资源。由于纯基于优化的方案被证明计算繁琐且缺乏灵活性，基于机器学习(ML)的方法已成为有前景的替代方案。我们研究了节能的脑启发 ML 模型在星上无线电资源管理中的应用。除软件仿真外，我们报告了利用最近发布的 Intel Loihi 2 芯片的广泛实验结果。为基准测试所提模型性能，我们在 Xilinx Versal VCK5000 上实现常规卷积神经网络(CNN)，并针对不同业务需求详细比较准确率、精确率、召回率和能效。最值得注意的是，对于相关 workloads，在 Loihi 2 上实现的脉冲神经网络(SNN)相比基于 CNN 的参考平台在提高准确率的同时将功耗降低超过 100。我们的发现指出了神经形态计算与 SNN 在支撑星上 SatCom 运营方面的显著潜力，为未来 SatCom 系统中效率与可持续性的提升铺平道路。
引用
@article{arxiv.2308.11152,
title = {Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing},
author = {Flor Ortiz and Nicolas Skatchkovsky and Eva Lagunas and Wallace A. Martins and Geoffrey Eappen and Saed Daoud and Osvaldo Simeone and Bipin Rajendran and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2308.11152},
year = {2023}
}
备注
currently under review at IEEE Transactions on Machine Learning in Communications and Networking