OpenRANet: 基于优化深度学习的联合子载波与功率分配实现神经化频谱接入

下一代无线接入网（RAN），即开放式RAN，将具备面向无线蜂窝网络（包括新兴的卫星-地面一体化系统）的AI原生接口，使深度学习成为其运行的核心组成部分。本文研究了开放式RAN中联合子载波与功率分配这一非凸优化挑战，目标是在确保用户满足传输数据速率要求的同时，最小化总功耗。我们提出了OpenRANet，一种基于优化的深度学习模型，该模型将机器学习技术与迭代优化算法相结合。我们首先通过解耦、变量变换和松弛技术将原始非凸问题转化为凸子问题。然后，在标准干扰函数框架内使用迭代方法高效求解这些子问题，从而推导出原始-对偶解。这些解作为凸优化层无缝集成到OpenRANet中，通过将机器学习与凸分析相结合，增强了约束满足度、求解精度和计算效率，数值实验证明了这一点。OpenRANet也为设计资源受限的AI原生无线优化策略奠定了基础，可应用于更广泛的场景，如多小区系统、卫星-地面网络以及具有复杂功耗需求的未来开放式RAN部署。