По мере того, как сети 5G/6G становятся чрезвычайно сложными и разнородными, использование методов искусственного интеллекта (ИИ) и машинного обучения (ML) становится необходимым для выполнения широкого спектра требований. Алгоритмы машинного обучения помогут системе лучше адаптироваться к конкретным сценариям использования с учётом особенностей трафика и требований к качеству. В предыдущих исследованиях мы рассматривали применение ML-алгоритмов (глубоких нейронных сетей, DNN) для задачи декодирования каналов. Легко заметить, что задача декодирования является задачей классификации: выход канала должен быть отнесён к одному из классов (кодовым словам). Существенное отличие этой задачи от типичной задачи классификации заключается в экспоненциально большом количестве классов. Для решения проблемы "проклятия размерности" было предложено сочетать методы глубокого обучения с существующими подходами к декодированию (см. наши работы [1, 2]). В результате мы предложили алгоритм декодирования, основанный на DNN со специальной архитектурой, которая позволяет обучаться только на нулевом кодовом слове.
Мы планируем продолжить это направление исследований и расширить его следующим образом:
1. Предложенная DNN для задачи декодирования каналов построена в соответствии с алгоритмом распространения правдоподобия (Belief Propagation, Min-Sum). Это означает, что она повторяет шаги алгоритма и добавляет обучаемые веса для устранения ловушечных множеств (trapping sets) и улучшения производительности. В литературе уже предложено несколько различных подходов, таких как гиперсети [3], нейронные сети на основе синдромов и другие. Основная задача заключается в определении требований к структуре нейронной сети и предложении более эффективных решений.
2. Другим направлением является построение кодов с исправлением ошибок или оптимизация существующих кодов (например, LDPC и полярных кодов) с использованием ML-методов [4, 5].
3. Алгоритмы ML могут применяться на разных уровнях системы. Мы также планируем рассмотреть задачи оценки беспроводного канала, а также задачи распределения ресурсов и планирования.
