Best Paper Award en MSWIM 2020 a una investigación realizada en IMDEA Networks

El 23 Congreso Internacional de Modelización, Análisis y Simulación de Sistemas Inalámbricos y Móviles (MSWiM) ha entregado este premio a Dolores García Martí, Jesús Omar Lacruz, Joan Palacios Beltrán y Joerg Widmer. En un mundo cada vez más conectado, el modelo desarrollado podría facilitar la integración de las comunicaciones inalámbricas en dispositivos IoT

03 Diciembre 2020

El artículo «A Mixture Density Channel Model for Deep Learning-Based Wireless Physical Layer Design», de Dolores García Martí, Jesús Omar Lacruz, Joan Palacios Beltrán y Joerg Widmer, ha sido galardonado con el premio al mejor artículo en la 23ª Conferencia Internacional de Modelización, Análisis y Simulación de sistemas inalámbricos y móviles (MSWiM). Esta es una conferencia de alta calidad en el campo de las comunicaciones inalámbricas.

El aprendizaje automático es una herramienta muy prometedora para diseñar la capa física de los sistemas de comunicación inalámbrica, pero generalmente requiere que se conozca un modelo de canal. A medida que aumentan las velocidades de datos y los transceptores inalámbricos se vuelven más complejos, el canal inalámbrico, las imperfecciones del hardware y sus interacciones se vuelven más difíciles de modelar y compensar explícitamente.

Los nuevos esquemas de aprendizaje automático para la capa física no requieren un modelo explícito, pero aprenden implícitamente el enlace de un extremo a otro, incluidas las características del canal y las no linealidades del sistema directamente a partir de los datos de entrenamiento. “Una posible aplicación de esta investigación sería corregir el efecto de las imperfecciones del hardware. A medida que avanzamos hacia frecuencias más altas, estas imperfecciones de hardware se harán más grandes y complejas. Este método permite corregirlos sin tener que modelarlos matemáticamente”, dice Dolores García Martí, primera autora de este artículo. Trabaja como estudiante de doctorado en IMDEA Networks dentro del grupo de Redes Inalámbricas, encabezado por el profesor Joerg Widmer.

Según su supervisor Joerg Widmer, director de investigación de IMDEA Networks y coautor de esta investigación, “estas técnicas son extremadamente prometedoras para facilitar la integración de futuras tecnologías inalámbricas de alta velocidad en dispositivos de IoT y de consumo económicos”.

Al ser preguntada por cuál es el mayor desafío al que se ha enfrentado para realizar esta investigación, García Martí no tiene ninguna duda: “No conocía los métodos de aprendizaje profundo utilizados y tuve la oportunidad de desarrollarlos durante mi pasantía en Cambridge. Nuestro equipo se centra en demostrar una aplicación real y probamos nuestros resultados en nuestro banco de pruebas de 60 GHz. ¡Fue un esfuerzo de equipo increíble!”.

Lo más destacado

Los investigadores presentan una arquitectura de red neuronal novedosa que proporciona un modelo de canal estocástico explícito, al aprender los parámetros de una distribución de mezcla gaussiana a partir de muestras de canales reales. De esa manera, utilizan este modelo de canal junto con un codificador automático para el diseño de la capa física para aprender un esquema de modulación adecuado.

Dado que el sistema aprende un modelo explícito para el canal, se puede utilizar el aprendizaje de transferencia para adaptarse más rápidamente a los cambios en el entorno. El equipo ha aplicado el modelo a las comunicaciones de ondas milimétricas con sus desafíos de arreglos en fase con una gran cantidad de antenas, frecuencias portadoras altas, ancho de banda amplio y características de canal complejas. Sin embargo, han validado experimentalmente el sistema utilizando un banco de pruebas basado en FPGA de 60 GHz y han demostrado que es capaz de reproducir las características del canal con buena precisión.

“El nuevo trabajo que se está realizando en comunicaciones de extremo a extremo permite repensar los bloques de comunicación y será parte de la solución para los escenarios más complejos que veremos en la próxima generación de redes. Nuestro trabajo aporta más practicidad a las investigaciones previas ya que en lugar de muestrear el canal, obtenemos un modelo que permite extender el modelo cuando cambia el canal”, concluye García Martí.