무선 통신의 인공 지능
오늘날 우리는 다음과 같은 다섯 가지 핵심 기능으로 정의되는 범주인 약한 AI의 시대에 살고 있습니다.
1. 논리적 추론. 예: AlphaGo
2. 인식. 예: 얼굴 인식
3. 지식 표현. 예: IBM의 Watson for Oncology
4. 언어 처리. 예: Apple의 Siri, Amazon의 Alexa
5. 계획 및 내비게이션. 예: 자율주행 차
강력한 AI를 사용하는 머신은 사람의 지능과 같거나 능가하는 역량을 개발할 수 있습니다(예: 지능 로봇). AI의 하위 범주인 ML(머신 러닝)도 관련 요소입니다. 예를 들어, 프로그래밍된 명령이 아닌 데이터 세트에서 학습하는 시스템을 구축하는 데 사용할 수 있어 인공의 멀티레이어 신경망을 기반으로 하는 학습 프로세스를 구현할 수 있습니다. 이제 AI-네이티브 에어 인터페이스와 함께 구현될 미래의 무선 네트워크를 상상해보십시오. 전파가 학습된 신경망을 기반으로 환경으로부터 학습하거나 전파들이 서로서로 학습할 수 있게 될 것입니다.
신경망은 머신 러닝의 하위 범주에 속하며 아래 세 가지 신경망의 예와 같이 무선 통신과 관련되어 있습니다.
1. RNN(Recurrent Neural Network): 이전 단계의 출력이 현재 단계의 입력이 됩니다(예: 텍스트 처리). RNN은 ML 모델을 기반으로 하는 디지털 전치- 및 후치- 왜곡 알고리즘을 통해 시계열 예측("메모리 효과"), 아날로그 RF 프론트엔드 선형분석 및 안테나 서브시스템에 유용합니다.
2. CNN(Convolutional Neural Network): 최대 30 계층의 피드 포워드(feed-forward) 신경망. CNN은 체계적인 데이터 배열(예: 원래 이미지 처리를 위해 설계된)을 처리하며 현재 뉴럴 리시버(Neural Recevier)를 실현하기 위한 한 가지 방법입니다.
3. 오토인코더 개념: 효율적 데이터 코딩을 자율적으로 학습하는 것을 돕는 인공 신경망의 특수 유형. 목표는 네트워크가 중요하지 않은 데이터를 무시하도록 훈련하는 것입니다. 예를 들어 변환기 형태의 오토인코더는 다운링크의 측정에서 수집하여 업링크 방향으로 재전송하는 채널 상태 정보 피드백을 압축하는 기능에 대한 연구가 진행되고 있습니다.
