用于能效MIMO符号检测的神经形态上下文学习
信号处理
2024-11-12 v1
摘要
上下文学习（ICL）是基于Transformer的序列模型展示的一种特性，指根据作为上下文提供的映射示例自动推断输入-输出映射。ICL不需要显式学习，即不需要显式更新模型权重，直接将上下文和新输入映射到新输出。先前的工作已经证明了ICL在MIMO信道检测中的有用性。在这种设置中，上下文由导频符号提供，ICL自动调整检测器或均衡器，以应用于新接收的信号。然而，先前技术中测试的实现基于传统人工神经网络（ANN），这可能过于耗能而无法在移动设备上运行。本文评估了用于基于ICL的MIMO检测的Transformer的神经形态实现。该方法用脉冲神经网络（SNN）替代ANN，并通过随机计算实现注意力机制，不需要乘法，只需要逻辑与运算和计数。当使用传统的数字CMOS硬件时，与基于ANN的实现相比，所提出的实现被证明能保持准确性，同时功耗降低5.4倍到26.8倍，具体取决于模型大小。
引用
@article{arxiv.2404.06469,
title = {Neuromorphic In-Context Learning for Energy-Efficient MIMO Symbol Detection},
author = {Zihang Song and Osvaldo Simeone and Bipin Rajendran},
journal= {arXiv preprint arXiv:2404.06469},
year = {2024}
}