機械学習は 5G 通信技術にどのような新たな課題をもたらすでしょうか?

今日では無線通信は私たちの日常生活において重要な役割を果たしています。最新の 5G ネットワーク通信は、既存の 4G ネットワークよりも高速で信頼性が高く、効率的なデータ伝送速度とサービスを提供するように設計されています。同時に、近年の人工知能の急速な発展により、従来の通信技術における困難な問題を解決するための新しい方法が提供され、新たな機会が切り開かれました。本稿では、人工知能分野の古典的技術である機械学習の研究の進歩を組み合わせ、5G高度無線通信における機械学習の応用を紹介し、さらに5G高度無線通信における機械学習の応用が直面する課題と今後の研究方向を探ります。

1. 5Gネットワ​​ーク通信の概要

第5世代の移動通信技術である5Gネットワ​​ークは、新世代の移動通信技術の中核です。 5Gはスペクトル利用率とエネルギー効率が非常に高く、伝送速度とリソース利用率は4Gモバイル通信よりも少なくとも1桁高くなります。無線カバレッジ性能、伝送遅延、システムセキュリティなども大幅に向上しています。 5G モバイル通信は、他の無線モバイル通信技術と密接に統合され、新世代のユビキタス モバイル情報ネットワークを形成します。今後10年間で1,000倍に増加するモバイルインターネットトラフィックの開発需要を満たすことができます[1]。さらに、5Gモバイル通信システムの応用領域もさらに拡大しました。スマート交通、遠隔医療、モノのインターネット、仮想現実エンターテインメントなどの分野への応用により、人々の生活に前例のない利便性がもたらされました。

同時に、5G 通信は依然として多くの課題に直面しています。例えば、5Gネットワ​​ークは高速かつ大容量であるため、ネットワーク機器や情報伝送技術に対する要件が高くなります。 5Gネットワ​​ークは柔軟性と適応性という特徴を持っていますが、そのセキュリティと安定性を確保するにはさらなる技術革新などが必​​要です。

2. 機械学習技術の紹介

人工知能技術の発展により、従来の方法では解決できない困難な問題に対して新たなアイデアが提供されてきました。人工知能技術の主要な分野である機械学習は、過去のデータから学習し、特徴を抽出することで複雑な問題を解決します。

機械学習は、主に教師あり学習、教師なし学習、強化学習の 3 つの分野に分けられます。図 1 は、人工知能 (AI)、機械学習 (ML)、教師あり学習、教師なし学習、強化学習の関係を示しています。

教師あり学習では、ラベル付けされたトレーニング データセットを使用して、対応するマッピング モデルを学習します。ディープニューラルネットワーク（DNN）は、教師あり学習の代表的なものです。オフライントレーニングを通じて多層人工ニューラルネットワークの収束重み係数を取得し、新しいデータを推論します。

教師あり学習とは異なり、教師なし学習ではラベルのないトレーニング データ セットを使用してマッピング モデルを取得します。従来のオートエンコーダ構造では、入力データの固有の特性を学習し、ネットワーク係数を調整して入力データの真の値を復元します。

強化学習は、インテリジェントエージェントと外部環境間の動的な相互作用に基づいており、データをオンラインで処理できます。エージェントは環境を探索し、アクションに報酬を与えたり罰したりすることで学習し、最適なアクションのシーケンスで累積報酬を最適化します。

図1: 人工知能、機械学習、教師あり学習、教師なし学習、強化学習の関係

3. 5G通信における機械学習の応用

近年、世界中の研究者が機械学習を活用した5G通信技術の開発に大きな関心を示しています。次に、5G 無線通信における機械学習のいくつかのアプリケーションに焦点を当てます。

3.1 適応変調符号化（AMC）

AMC は、無線チャネルで使用される適応型コーディングおよび変調技術です。無線リンク伝送の変調モードと符号化レートを調整することで、リンクの伝送品質を保証します。

しかし、実際のアプリケーションでは、現在の AMC テクノロジは、モデルベースの近似が不正確であったり、ルックアップ テーブルのサイズが大きいためにシステムが複雑になりすぎたりして、良好なパフォーマンスを発揮しません。 AMC は典型的な分類問題であるため、機械学習における教師あり学習は、当然、適応変調および符号化技術を最適化するための重要な選択肢となります。この問題を解決するために最も一般的に使用される教師あり学習アルゴリズムは、K-NN (K 近傍法) アルゴリズムです。その原理は、新しい値 X を予測するときに、それに最も近い K 個の点のタイプに基づいて、x がどのカテゴリに属する​​かを決定することです。例えば、図2では、k=3のときのタイプを判定するために、隣接する3つの点の中に2つの三角形と1つの正方形があることに注目し、k=3のときのタイプは三角形であると判定します。

図2: K-NNアルゴリズムの例

しかし、K-NNアルゴリズムの最大の難点は、クラスの境界を明確に定義することができず[2]、大規模なオフライントレーニングデータベースを必要とすることです。対照的に、強化学習は環境から直接学習できます。そのため、K-NN アルゴリズムよりも適応性の高いマルコフ過程強化学習を使用して AMC を実装しようとします。

3.2 チャンネルイコライゼーション技術

チャネルイコライゼーションは、主に符号間干渉と非線形歪みの問題を排除し、フェージング チャネルの伝送パフォーマンスを向上させるために通信システムが実行するフェージング対策です。原理は、チャネルまたは伝送システム全体の特性に応じて補正することです。例えば、図 3 は、チャネル品質に応じて送信電力を調整するチャネル等化技術を示しています。

機械学習は適応型信号処理の機能を実現できるため、従来のイコライザーの特性を改善する機械学習ベースのイコライザーが提案されています。機械学習によって時間変化する無線チャネルの主要な特徴を抽出できるという事実に基づいて、線形チャネルのシンボル間干渉 (ISI) 抑制に主に使用される、多層パーセプトロン (MLP) に基づく適応イコライザーが提案されています。その後、MLP イコライザーに基づいて、FLANN ベースの再帰ニューラル ネットワーク イコライザーが提案されました。これは、非線形フィルターをシミュレートする機能により、非線形チャネル歪みを持つ複雑な信号をイコライズするために使用でき、計算の複雑さが低くなります。

図3: チャネル品質に基づいて送信電力を調整するチャネルイコライゼーション技術

3.3 負荷予測

5G 無線ネットワークの使用周波数は 4G よりもはるかに速く、周波数が高い基地局は減衰が速いため、4G と同じエリアをカバーするには、より多くの 5G 基地局を展開する必要があります。そのため、負荷予測を通じて基地局密度によるエネルギー消費を克服することも重要な課題となっています。

機械学習は長年にわたり負荷予測に広く使用されてきました。さまざまな機械学習アルゴリズムを使用できます。自己回帰積分平均モデルは単純な負荷予測方法であり、広く使用されています。 Prophet モデルは時系列分析を使用して予測を実現し、負荷予測にも使用できます。長短期記憶 (LSTM) は、負荷予測に適した RNN に基づくマルチメモリ ユニット構造です。アンサンブル学習 (EL) は、複数のモデルを線形に組み合わせて、より強力な予測能力を持つ統合モデルを生成できます。各 ML アルゴリズムにはそれぞれ長所と短所があります。したがって、負荷予測に最適な機械学習アルゴリズムは、さまざまなアプリケーションの目的に応じて決定する必要があります。

4. 課題と今後の方向性

機械学習は5G通信の多くの技術で広く使用されていますが、次のような問題や課題がまだ残っています。

①現在の機械学習手法はすべて長い収束時間を必要とするため、動的無線通信への応用が制限されます。したがって、機械学習の収束プロセスを加速するには、さらなる研究が必要です。

②無線チャネルは時間とともに変化する特性があるため、機械学習パラメータや機械学習方法も常に調整する必要があり、通信システムの複雑さが大幅に増大します。したがって、さまざまなアプリケーション向けの統一された機械学習手法に関する詳細な研究が必要です。

③現在、ほとんどの機械学習手法では、モデルの学習とトレーニングを実現するために大量のラベル付きデータが必要ですが、無線ネットワークによって生成されるデータのほとんどはラベルなしの生データです。したがって、生データの注釈にはさらなる研究と改善が必要です。

参考文献:

[1] You Xiaohu、Pan Zhiwen、Gao Xiqi 他。 5Gモバイル通信の開発動向と主要技術[J]。中央科学: 情報科学、2014、44(5):551-563。 DOI:10.1360/N112014-00032.

[2] Y. Zhou、J. Chen、M. Zhang、D. Li、Y. Gao、「5G高度無線システムへの機械学習の応用」、2021年国際無線通信およびモバイルコンピューティング（IWCMC）、中国ハルビン市、2021年、pp.1700-1704、doi：10.1109/IWCMC51323.2021.9498754。