研究課題/領域番号 |
22K04085
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分21020:通信工学関連
|
研究機関 | 千葉大学 |
研究代表者 |
安 昌俊 千葉大学, 大学院工学研究院, 教授 (90453208)
|
研究期間 (年度) |
2022-04-01 – 2025-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2024年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
キーワード | 大規模MIMOシステム / 超多接続無線環境 / スペクトログラム / 通信環境推定 / る通信路推定 / 人工知能 |
研究開始時の研究の概要 |
6Gではテラヘルツ波など、5Gのミリ波よりも一層高い周波数帯が使われるため減衰が大きく伝搬距離も短いため多くのユーザや無線端末が狭いエリアに集中し、各端末の移動など周囲の環境の変化等による干渉の時変動が激しく、遮蔽による通信品質の劣化も生じる。本研究は、人工知能が得意とする画像データ処理に着目し、既存の参照信号の生データを人工知能に学習させるのではなく、これまでの学習と全く異なる画像化手法で複数の位相情報を一つの画像に含ませるデジタルホログラムの様な新しいスペクトログラムの生成とそれを学習させることで超多接続の通信環境の高速・低遅延での推定へ挑戦する。
|
研究実績の概要 |
本研究の目的は、人工知能が得意とする画像データ処理に着目し、超多接続の6G無線環境下での大規模MIMOシステムの通信環境推定のために人工知能の学習に必要な複数の位相情報を含ませた新しい画像化データの生成手法とそれを用いた低演算・低遅延での通信環境推定手法の提案とその有効性を明確にすることである。 研究目的を達成するため、令和4年度は、①超多接続環境下での新しい画像化による通信環境推定法を提案、②低演算量で学習可能な最適なアルゴリズムの検討を中心に研究を行った。まず、超多接続環境下での新しい画像化による通信環境推定法を提案について、既に提案したスペクトログラムの様に画像化データ処理により、少ないユーザ環境下での推定が可能であることを確認した。ただ、ユーザ数を増やすことに伴い学習に必要な膨大なデータを確保することが非常に困難となった。そこで、少ないデータから学習用に必要な画像化データを生成する方法として、敵対的生成ネットワーク(GAN:Generative Adversarial Network)を用いた新しいデータセット生成・拡張法を提案し、そのデータを活用した手法の有効性を確認した。 他に、画像化データを用いた学習で優れた推定結果を得たものの学習時に使用されたアルゴリズムと性能の依存性の情報は無く、その依存性を確認するため、以前用いた畳み込みニューラルネットワーク(convolutional neural network: CNN)のみならずRegions with CNN (R-CNN)やMask R-CNN、YOLOなどを用いる検討を行った結果、中でもR-CNNが低演算で高速処理が可能であることを確認した。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
令和4年度の研究計画は、超多接続環境下での新しい画像化による通信環境推定法を提案し、その性能を検証すると低演算量で学習可能な最適なアルゴリズムの検討を行うことであった。 まず、超多接続環境下での新しい画像化による通信環境推定法を提案について、既に提案したスペクトログラムの様に画像化データ処理により、少ないユーザ環境下での推定が可能であることを確認した。ただ、ユーザ数を増やすことに伴い学習に必要な膨大なデータを確保することが非常に困難となった。そこで、少ないデータから学習用に必要な画像化データを生成する方法として、敵対的生成ネットワーク(GAN:Generative Adversarial Network)を用いた新しいデータセット生成・拡張法を提案し、そのデータを活用した手法の有効性を確認した。 他に、画像化データを用いた学習で優れた推定結果を得たものの学習時に使用されたアルゴリズムと性能の依存性の情報は無く、その依存性を確認するため、以前用いた畳み込みニューラルネットワーク(convolutional neural network: CNN)のみならずRegions with CNN (R-CNN)やMask R-CNN、YOLOなどを用いる検討を行った結果、中でもR-CNNが低演算で高速処理が可能であることを確認した。特に敵対的生成ネットワーク(GAN)との相性がよく、令和5年度の検討に用いて性能検討を行いその有効性を明確にする予定である。
|
今後の研究の推進方策 |
令和5年度は、テラヘルツ波を利用する6G無線環境下の大規模MIMOシステムは、単位面積当たりのデバイス数が多いためデバイス間のチャネル・アンテナ相関が非常に高く、システム性能改善に必要なダイバーシティ利得も制限される。そのため複数の送信アンテナから送る送信電力を調整し最適に配分することでシステム性能を改善させる必要がある。令和5年度の研究では、令和4年度に検討した内容を踏まえ当初の計画通りの通信環境推定が進まない場合には送信電力制御の効率化と高性能な誤り訂正符号(Polar Code)を組み合せることで通信環境推定性能を向上させる方法を提案し、その有効性を明確にさせる予定である。 他に、無線通信に人工知能の機械学習を応用する上で最も重要な作業は、AI学習用のデータセットを収集することである。機械学習を用いて優れた性能を発揮させるためには、膨大な学習データが必要となる。しかし、実世界の通信環境は多様であり、大量のデータセットを集めることは非常に困難である。従って、令和4年度には、小さなデータセットから無線信号データセットを拡張できる敵対的生成ネットワーク(GAN:Generative Adversarial Network)を用いた新しいデータセット生成・拡張法を検討したが、令和5年度には、更なる高性能データセット生成・拡張法を提案し、その有効性を明確にさせる。
|